慢病对人类健康构成重大威胁,我国慢病的形势也日益严峻。对于慢病的管理和治疗,人体的健康状态评估尤为重要。人体的生理信号如心率、呼吸、体温等蕴含了大量个体化的健康和疾病信息,同时,可穿戴设备的发展让人们可以低负荷、连续采集人体的生理信号,然而,人体是一个处于动态平衡的具有超高复杂度的系统,对实际生活中采集的连续生理信号进行分析很大的一个困难在于生理信号表现出高度个体化的特点。多元状态估计技术（Multivariate State Estimation Technique,MSET）是一种以历史健康数据为基础的个体化非参数建模方法,通过对观测数据估计残差的分析实现异常状态报警,使用MSET可以很大程度上消除生理信号中的个体差异。本课题的研究目的在于基于MSET对可穿戴设备采集的连续生理信号进行深度挖掘,探索根据人体生理信号特点进行数据筛选和数据预处理的方法,尝试个体化的建模以实现人体健康状态的辨识,进而为慢病人群的健康管理提供可能的解决方案。本文中首先对可穿戴设备的性能展开验证,并针对连续生理信号中存在复杂噪声和运动伪迹的问题开发了信号质量评估算法进行数据筛选,以此奠定了MSET研究的数据基础。进一步的本文详细介绍了MSET的原理,并根据MSET的原理设计了信号预处理和特征处理流程,从生理信号中提取了包括平均心率、心率波动范围、心率标准差、平均呼吸率、呼吸波四分位间距和平均活动量共计6个特征进行MSET建模,各观测参数的实际值和MSET估计值之差为残差,使用高斯混合模型将高维的残差序列融合成为人体健康指数（Multivariate Health Index,MHI）。最后,研究者设计了三个递进的实验对算法进行了验证:1.研究者在一段生理信号的心率中分别加入了不断增强的人工噪声以测试MSET算法对噪声的辨识能力;2.纳入24名志愿者研究MSET对人体的急性缺氧应激状态的识别能力;3.纳入17名脑利钠肽（Brain Natriuretic Peptide,BNP）在住院期间发生明显变化的冠心病合并有心功能衰竭倾向的慢病患者展开回顾性观察性研究,研究患者两次采集信号的残差分布的差异和BNP检查结果改变量之间的联系。结果表明可穿戴设备在复杂环境中仍能稳定采集信号,信号质量评估算法可以有效筛选出实验需要的信号段进行下一步研究。MSET算法验证表明,该对生理信号观测参数的异常波动敏感,即使很小的波动也能被捕捉,当线性噪声强度约为9%（6 bmp）时,平均心率实际值明显超出算法估计区间实现报警。算法可以对人体的急性缺氧应激状态进行有效识别,且以高斯核和进行L2正则化时算法表现比较好,模型AUROC（Area Under Receiver Operating Characteristic Curve）（%）的中位数（Q1,Q3）分别为76.39（63.20,87.19）和76.45（67.02,87.22）。此外,MSET估计的残差分布具有一定的规律性,其中MHI的SMD（Cohen Standardized Mean Difference）和OVL（Overlapping Coefficient）与BNP结果改变量之间的Pearson相关系数分别达到0.786和0.835,P值均小于0.001,即说明残差分布的差异和BNP检查结果改变量之间存在联系,初步验证了模型可以一定程度上反映出人体健康状态的变化程度。本文的价值和创新点在于进一步推进了可穿戴设备的临床应用、探索了MSET在人体生理信号信息分析利用的关键技术、提出了一种基于MSET衡量慢病患者健康改变程度的方法。本文重点研究了生理信号特点、数据预处理方法、算法原理和残差分布的规律,相信本文对类似的复杂连续生理信号信息挖掘和人体健康状态评估的研究具有借鉴意义。综上所述,MSET提供了一种全新的个体化分析生理信号的方式,可以对生理信号中的微小变化进行识别,进而对人体的健康状态进行衡量,给医生提供额外的决策辅助信息。该算法的潜在应用场景包括:疾病恶化的提前预测预警、慢病管理和健康状态评估、治疗效果评价等。