CN115530774A - 癫痫检测方法和装置 - Google Patents
癫痫检测方法和装置 Download PDFInfo
- Publication number
- CN115530774A CN115530774A CN202110743810.6A CN202110743810A CN115530774A CN 115530774 A CN115530774 A CN 115530774A CN 202110743810 A CN202110743810 A CN 202110743810A CN 115530774 A CN115530774 A CN 115530774A
- Authority
- CN
- China
- Prior art keywords
- data
- state
- accelerometer
- detection result
- preset condition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 206
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 93
- 206010010904 Convulsion Diseases 0.000 claims abstract description 81
- 230000036461 convulsion Effects 0.000 claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 54
- 206010052904 Musculoskeletal stiffness Diseases 0.000 claims abstract description 47
- 208000028329 epileptic seizure Diseases 0.000 claims abstract description 46
- 230000001133 acceleration Effects 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 59
- 230000015654 memory Effects 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000002567 electromyography Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims 3
- 230000001037 epileptic effect Effects 0.000 abstract description 47
- 206010028347 Muscle twitching Diseases 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 18
- 230000036760 body temperature Effects 0.000 description 15
- 210000003205 muscle Anatomy 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 208000024891 symptom Diseases 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 7
- 210000000245 forearm Anatomy 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000002920 convulsive effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000001939 inductive effect Effects 0.000 description 4
- 238000011897 real-time detection Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 208000005809 status epilepticus Diseases 0.000 description 3
- 208000031662 Noncommunicable disease Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 206010046543 Urinary incontinence Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000028326 generalized seizure Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0531—Measuring skin impedance
- A61B5/0533—Measuring galvanic skin response
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0247—Pressure sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0271—Thermal or temperature sensors
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dermatology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Pulmonology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例提供一种癫痫检测方法和装置,涉及终端技术领域,方法包括:获取第一数据;从加速度计数据中提取第一运动幅度特征数据以及深度特征数据;从加速度计数据中提取第二运动幅度特征数据;将第一运动幅度特征数据和深度特征数据输入至第一神经网络模型,得到跌倒检测结果;将第二运动幅度特征数据输入至第二神经网络模型,得到抽搐检测结果;当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,确定第一数据对应的状态为癫痫发作状态。这样,终端设备可以基于用户的跌倒、抽搐或肌肉僵硬等状态识别用户是否处于癫痫发作状态,可以实现对于癫痫检测的准确性和实时性。
Description
技术领域
本申请涉及终端技术领域,尤其涉及一种癫痫检测方法和装置。
背景技术
癫痫是一种脑部慢性非传染性疾病,该病的特点是反复发作。当癫痫发作时,身体的某一部位或整个身体可以短暂的进行非自主性抽搐(或称为部分性发作或全身性发作),有时癫痫发作也伴随着用户的意识丧失或尿便失禁等情况,目前癫痫已经影响到了全球大约5000万人。因此,癫痫的检测具有较为重要的意义。
通常情况下,可以利用专业的检测设备,如脑电图设备等,检测癫痫患者的大脑神经元的异常放电情况,进而确定癫痫患者是否处于癫痫发作状态。
然而,由于癫痫的反复性和突发性,上述癫痫的检测方法,无法实现癫痫患者的发病情况的实时检测。
发明内容
本申请实施例提供一种癫痫检测方法和装置,可以实现癫痫的实时检测。
第一方面,本申请实施例提供一种癫痫检测方法,终端设备包括加速度传感器和电感传感器,方法包括:终端设备获取第一数据;第一数据包括加速度计数据和电信号数据;加速度计数据是加速度传感器采集的,电信号数据是电感传感器采集的;终端设备从加速度计数据中提取第一运动幅度特征数据以及深度特征数据;第一运动幅度特征数据为用于跌倒检测的数据;终端设备从加速度计数据中提取第二运动幅度特征数据;第二运动幅度特征数据为用于抽搐检测的数据;终端设备将第一运动幅度特征数据和深度特征数据输入至第一神经网络模型,得到跌倒检测结果;终端设备将第二运动幅度特征数据输入至第二神经网络模型,得到抽搐检测结果;第一运动幅度大于第二运动幅度;当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,终端设备确定第一数据对应的状态为癫痫发作状态;肌肉僵硬检测结果为基于电信号数据的检测得到的;或者,当跌倒检测结果不满足第一预设条件、抽搐检测结果不满足第二预设条件、和/或肌肉僵硬检测结果不满足第三预设条件时,终端设备确定第一数据对应的状态为非癫痫发作状态。这样,终端设备可以基于用户的发病特征,例如跌倒、抽搐或肌肉僵硬等状态识别用户是否处于癫痫发作状态,可以实现对于癫痫检测的准确性和实时性。
其中,第一运动幅度特征数据可以为本申请实施例中描述的跌倒检测方法中的传统特征,深度特征数据可以为本申请实施例中描述的跌倒检测方法中的深度特征,第一神经网络模型可以为本申请实施例中描述的跌倒检测模型;第二运动幅度特征数据可以为本申请实施例中描述的抽搐检测方法中的传统特征,第二神经网络模型可以为本申请实施例中描述的抽搐检测模型;第一预设条件可以为跌倒检测结果中指示第一数据对应的状态满足跌倒状态,第二预设条件可以为抽搐检测结果中指示第一数据对应的状态满足抽搐状态,第三预设条件可以为当该电信号数据的变化率超过变化率阈值,则肌肉僵硬检测结果中指示第一数据对应的状态为肌肉僵硬状态;第一运动幅度可以理解为跌倒检测状态的运动幅度;第二运动幅度可以理解为抽搐检测状态的运动幅度。
在一种可能的实现方式中,深度特征数据为终端设备利用第三神经网络模型,对加速度计数据进行深度特征提取得到的。这样,对加速度计数据的进行深度特征提取,可以利用深度特征实现对于跌倒状态的精准识别。
其中,第三神经网络模型可以为本申请实施例中描述的跌倒检测方法中的卷积神经网络模型。
在一种可能的实现方式中,第三神经网络模型为终端设备基于加速度计样本数据训练得到的,第三神经网络模型中包括输入模块、深度卷积模块、点卷积模块和输出模块,深度卷积模块中包括核为3*3的卷积计算层、第一归一化层以及第一拉伸至同一纬度层,点卷积模块中包括核为1*1的卷积计算层、第二归一化层以及第二拉伸至同一纬度层。
在一种可能的实现方式中,第一运动幅度特征数据包括以下至少一项:加速度强度矢量SMV,SMV最大值,SMV最小值、SMV最大值与最小的差值,FFT特征向量,加速度变化速率,SMV平均值,加速度方差,x轴的加速度均值,y轴的加速度均值或z轴的加速度均值。
在一种可能的实现方式中,第二运动幅度特征数据包括以下至少一项:SMV平均值,加速度方差,平均偏差,x轴最大加速度计数据与最小加速度计数据的差值,y轴最大加速度计数据与最小加速度计数据的差值,或z轴最大加速度计数据与最小加速度计数据的差值。
在一种可能的实现方式中,第一神经网络模型为基于加速度计样本数据对应的运动幅度特征样本数据,以及加速度计数据对应的深度特征样本数据训练得到的,第一神经网络模型为四层全连接的神经网络模型,第一神经网络模型中包括输入层、第一隐含层、第二隐含层和输出层;输入层的节点中包含第一运动幅度特征数据对应的节点数以及深度特征数据对应的节点数。
其中,该加速度计样本数据对应的运动幅度特征样本数据可以为本申请实施例中描述的跌倒检测方法中的加速度计数据的传统特征样本数据;该加速度计数据对应的深度特征样本数据可以为本申请实施例中描述的跌倒检测方法中的加速度计数据的深度特征样本数据。
在一种可能的实现方式中,输入层的节点数为45,第一运动幅度特征数据对应的节点数为10,深度特征数据对应的节点数为35,输出层的节点数为2。
在一种可能的实现方式中,终端设备从加速度计数据中提取第二运动幅度特征数据,包括:终端设备利用均值滤波对加速度计数据进行滤波处理,得到滤波处理后的数据;终端设备确定滤波处理后的数据是否满足第一状态、第二状态和/或第三状态;第一状态为滤波处理后的数据中的相邻加速度计数据的差值为0的状态,第二状态为滤波处理后的数据中的相邻加速度计数据的差值满足第一差值范围的状态;第三状态为滤波处理后的数据中的相邻加速度计数据的差值满足第二差值范围的状态;当终端设备确定滤波处理后的数据不满足第一状态、第二状态和/或第三状态时,终端设备从滤波处理后的数据中提取第二运动幅度特征数据。这样,终端设备可以通过对于当前运动状态的判断,避免静止状态、走或跑状态和/或相位微动状态对于抽搐检测的影响,进而提高终端设备对于抽搐检测的准确性。
其中,第一状态可以为本申请实施例中描述的静止状态,第二状态可以为本申请实施例中描述的走或跑状态,第三状态可以为本申请实施例中描述的相位微动状态;第一差值范围可以大于第二差值范围。
在一种可能的实现方式中,终端设备从加速度计数据中提取第一运动幅度特征数据以及深度特征数据,包括:终端设备利用滤波器对加速度计数据进行滤波处理,得到滤波处理后的数据;终端设备对滤波处理后的数据进行降采样处理,得到降采样处理后的数据;终端设备从降采样处理后的数据中提取第一运动幅度特征数据以及深度特征数据。这样,上述处理过程可以去除数据中的噪声影响,并降低上述数据在后续模型中的内存的占用。
其中,Acc(t)为加速度计数据,i为大于或等于0的整数。
在一种可能的实现方式中,方法还包括:终端设备显示第一界面;第一界面中包括告警信息;告警信息用于指示用户处于癫痫发作状态;当终端设备接收到针对告警信息的操作时,终端设备显示第二界面;第二界面为终端设备的桌面对应的界面。这样,终端设备可以实现对于用户的癫痫发作状态的实时监测和记录,并将当前的癫痫情况及时反映到界面中,便于用户察觉。
在一种可能的实现方式中,方法还包括:终端设备将癫痫发作状态发送至其他设备,其他设备为终端设备记录的癫痫发作时的紧急联系人对应的设备。这样,使癫痫患者处于空旷地带,在癫痫发作时无法呼叫他人,终端设备也可以将癫痫患者当前的状态发送至紧急联系人处,进而帮助癫痫患者及时得到救助。
在一种可能的实现方式中,电信号数据为表面肌电信号sEMG。
在一种可能的实现方式中,第一数据还包括温度数据和心率数据,当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,包括:当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件,并且,在一种可能的实现方式中,心率数据满足第四预设条件和/或温度数据满足第五预设条件时;其中,终端设备还包括温度传感器和接近光传感器,温度数据是温度传感器采集的,心率数据是接近光传感器采集的。
其中,第四预设条件可以为心率数据超过终端设备记录的心率平均数据的30%,第五预设条件可以为温度数据超过终端设备记录的温度平均数据的30%。
第二方面,本申请实施例提供一种癫痫检测装置,终端设备包括加速度传感器和电感传感器,装置包括:处理单元,用于获取第一数据;第一数据包括加速度计数据和电信号数据;加速度计数据是加速度传感器采集的,电信号数据是电感传感器采集的;处理单元,还用于从加速度计数据中提取第一运动幅度特征数据以及深度特征数据;第一运动幅度特征数据为用于跌倒检测的数据;处理单元,还用于从加速度计数据中提取第二运动幅度特征数据;第二运动幅度特征数据为用于抽搐检测的数据;处理单元,还用于将第一运动幅度特征数据和深度特征数据输入至第一神经网络模型,得到跌倒检测结果;处理单元,还用于将第二运动幅度特征数据输入至第二神经网络模型,得到抽搐检测结果;第一运动幅度大于第二运动幅度;当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,确定单元,用于确定第一数据对应的状态为癫痫发作状态;肌肉僵硬检测结果为基于电信号数据的检测得到的;或者,当跌倒检测结果不满足第一预设条件、抽搐检测结果不满足第二预设条件、和/或肌肉僵硬检测结果不满足第三预设条件时,确定单元,还用于确定第一数据对应的状态为非癫痫发作状态。
在一种可能的实现方式中,深度特征数据为终端设备利用第三神经网络模型,对加速度计数据进行深度特征提取得到的。
在一种可能的实现方式中,第三神经网络模型为终端设备基于加速度计样本数据训练得到的,第三神经网络模型中包括输入模块、深度卷积模块、点卷积模块和输出模块,深度卷积模块中包括核为3*3的卷积计算层、第一归一化层以及第一拉伸至同一纬度层,点卷积模块中包括核为1*1的卷积计算层、第二归一化层以及第二拉伸至同一纬度层。
在一种可能的实现方式中,第一运动幅度特征数据包括以下至少一项:加速度强度矢量SMV,SMV最大值,SMV最小值、SMV最大值与最小的差值,FFT特征向量,加速度变化速率,SMV平均值,加速度方差,x轴的加速度均值,y轴的加速度均值或z轴的加速度均值。
在一种可能的实现方式中,第二运动幅度特征数据包括以下至少一项:SMV平均值,加速度方差,平均偏差,x轴最大加速度计数据与最小加速度计数据的差值,y轴最大加速度计数据与最小加速度计数据的差值,或z轴最大加速度计数据与最小加速度计数据的差值。
在一种可能的实现方式中,第一神经网络模型为基于加速度计样本数据对应的运动幅度特征样本数据,以及加速度计数据对应的深度特征样本数据训练得到的,第一神经网络模型为四层全连接的神经网络模型,第一神经网络模型中包括输入层、第一隐含层、第二隐含层和输出层;输入层的节点中包含第一运动幅度特征数据对应的节点数以及深度特征数据对应的节点数。
在一种可能的实现方式中,输入层的节点数为45,第一运动幅度特征数据对应的节点数为10,深度特征数据对应的节点数为35,输出层的节点数为2。
在一种可能的实现方式中,处理单元,具体用于利用均值滤波对加速度计数据进行滤波处理,得到滤波处理后的数据;确定单元,具体用于确定滤波处理后的数据是否满足第一状态、第二状态和/或第三状态;第一状态为滤波处理后的数据中的相邻加速度计数据的差值为0的状态,第二状态为滤波处理后的数据中的相邻加速度计数据的差值满足第一差值范围的状态;第三状态为滤波处理后的数据中的相邻加速度计数据的差值满足第二差值范围的状态;当终端设备确定滤波处理后的数据不满足第一状态、第二状态和/或第三状态时,处理单元,还具体用于从滤波处理后的数据中提取第二运动幅度特征数据。
在一种可能的实现方式中,处理单元,具体用于:利用滤波器对加速度计数据进行滤波处理,得到滤波处理后的数据;对滤波处理后的数据进行降采样处理,得到降采样处理后的数据;从降采样处理后的数据中提取第一运动幅度特征数据以及深度特征数据。
其中,Acc(t)为加速度计数据,i为大于或等于0的整数。
在一种可能的实现方式中,显示单元,用于显示第一界面;第一界面中包括告警信息;告警信息用于指示用户处于癫痫发作状态;当终端设备接收到针对告警信息的操作时,显示单元,还用于显示第二界面;第二界面为终端设备的桌面对应的界面。
在一种可能的实现方式中,通信单元,用于将癫痫发作状态发送至其他设备,其他设备为终端设备记录的癫痫发作时的紧急联系人对应的设备。
在一种可能的实现方式中,电信号数据为表面肌电信号sEMG。
在一种可能的实现方式中,第一数据还包括温度数据和心率数据,当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,包括:当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件,并且,心率数据满足第四预设条件和/或温度数据满足第五预设条件时;其中,终端设备还包括温度传感器和接近光传感器,温度数据是温度传感器采集的,心率数据是接近光传感器采集的。
第三方面,本申请实施例提供一种癫痫检测装置,包括处理器和存储器,存储器用于存储代码指令;处理器用于运行代码指令,使得电子设备以执行如第一方面或第一方面的任一种实现方式中描述的癫痫检测方法。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质存储有指令,当指令被执行时,使得计算机执行如第一方面或第一方面的任一种实现方式中描述的癫痫检测方法。
第五方面,一种计算机程序产品,包括计算机程序,当计算机程序被运行时,使得计算机执行如第一方面或第一方面的任一种实现方式中描述的癫痫检测方法。
应当理解的是,本申请的第二方面至第五方面与本申请的第一方面的技术方案相对应,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
附图说明
图1为本申请实施例提供的一种场景示意图;
图2为本申请实施例提供的一种终端设备的结构示意图;
图3为本申请实施例提供的一种癫痫检测的架构示意图;
图4为本申请实施例提供的一种跌倒检测方法的流程示意图;
图5为本申请实施例提供的一种卷积神经网络模型的结构示意图;
图6为本申请实施例提供的一种跌倒检测模型的结构示意图;
图7为本申请实施例提供的一种跌倒检测方法的流程示意图;
图8为本申请实施例提供的一种终端设备的界面示意图;
图9为本申请实施例提供的另一种终端设备的界面示意图;
图10为本申请实施例提供的一种癫痫检测装置的结构示意图;
图11为本申请实施例提供的一种控制设备的硬件结构示意图;
图12为本申请实施例提供的一种芯片的结构示意图。
具体实施方式
为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一值和第二值仅仅是为了区分不同的值,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a和b,a和c,b和c,或a、b和c,其中a,b,c可以是单个,也可以是多个。
癫痫是一种脑部慢性非传染性疾病,癫痫的发作通常伴随着一些短暂性症状,例如突然间跌倒、抽搐或肌肉僵硬等症状,癫痫严重影响癫痫患者以及其家庭的生活质量。因此,癫痫的检测具有较为重要的意义。
通常情况下,可以利用专业的检测设备,如脑电图设备等,检测癫痫患者的大脑神经元的异常放电情况,进而确定癫痫患者是否处于癫痫发作状态。
然而,由于癫痫的反复性和突发性,使得癫痫的实时检测成为难题。示例性的,当用户在运动中或者在病房中,突然发生抽搐时,由于癫痫的犯病时间较短,甚至最短的犯病时间可以小于3秒(s),这就使得癫痫患者身边的人或医生难以第一时间发现癫痫患者的发病情况,很容易造成漏检;并且,由于癫痫患者的症状发作的情况较多,患者经常难以判断自身是否处于癫痫发作状态,例如当癫痫患者突然跌倒时,由于该癫痫患者难以察觉跌倒是否与癫痫发作有关,因此更加重癫痫的检测难度。
有鉴于此,本申请实施例提供一种癫痫检测方法,当用户佩戴终端设备时,终端设备可以基于传感器检测癫痫的发作症状,例如识别用户是否处于跌倒、抽搐或肌肉僵硬等症状;进而终端设备可以基于识别到的用户的癫痫发作症状以及用户的人体特征的异常情况,进一步的识别该用户是否处于癫痫发作状态,使得终端设备不仅可以实现癫痫检测的准确性和实时性,也可以将癫痫发作状态及时告知与癫痫患者的终端设备绑定的紧急联系人或医生等,加快癫痫的治疗进度,避免错过最佳治疗时间。
可以理解的是,上述终端设备可以为可穿戴设备,例如智能手表、智能手环、可穿戴式的虚拟现实(virtual reality,VR)设备、或可穿戴式的增强现实(augmentedreality,AR)设备等。上述终端设备也可以为智能手机或平板等。本申请实施例中对终端设备所采用的具体技术和具体设备形态不做限定。
为了更好的理解本申请实施例的方法,下面首先对本申请实施例适用的应用场景进行描述。
示例性的,图1为本申请实施例提供的一种场景示意图。如图1所示,该场景中可以包括101,用户101可以携带具有癫痫检测能力的终端设备102,例如该终端设备可以为可穿戴设备,如智能手表或智能手环等。
在图1对应的场景中,终端设备102可以基于内置的传感器检测用户101当前的状态,例如检测用户101是否处于静止、运动、跌倒、抽搐或肌肉僵硬等状态,或者也可以检测用户的体温或心率等人体特征。例如,当终端设备102基于加速度传感器检测到用户101处于跌倒状态,且基于温度传感器检测到用户101的体温超出终端设备102记录的正常体温的30%时,则终端设备102可以基于上述跌倒状态以及体温异常状态,确定用户101处于癫痫发作,进而终端设备102可以记录癫痫发作的时间,并将癫痫患者的发病情况、或者癫痫患者所在的位置等信息,发送至终端设备102记录的紧急联系人处。
为了能够更好地理解本申请实施例,下面对本申请实施例的终端设备的结构进行介绍。示例性的,图2为本申请实施例提供的一种终端设备的结构示意图。
终端设备可以包括处理器110,内部存储器121,通用串行总线(universal serialbus,USB)接口,充电管理模块140,电源管理模块141,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,传感器模块180,按键190,指示器192,摄像头193,以及显示屏194等。其中传感器模块180可以包括压力传感器180A,陀螺仪传感器180B,气压传感器180C,磁传感器180D,加速度传感器180E,电感传感器180F、接近光传感器180G,温度传感器180J,触摸传感器180K,环境光传感器180L,骨传导传感器180M等。
可以理解的是,本申请实施例示意的结构并不构成对终端设备的具体限定。在本申请另一些实施例中,终端设备可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器110可以包括一个或多个处理单元。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。处理器110中还可以设置存储器,用于存储指令和数据。
充电管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器,也可以是有线充电器。电源管理模块141用于连接充电管理模块140与处理器110。
终端设备的无线通信功能可以通过天线1,天线2,移动通信模块150,无线通信模块160,调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。终端设备中的天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。
移动通信模块150可以提供应用在终端设备上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(low noise amplifier,LNA)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。
无线通信模块160可以提供应用在终端设备上的包括无线局域网(wirelesslocalarea networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS),调频(frequencymodulation,FM)等无线通信的解决方案。
终端设备通过GPU,显示屏194,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示屏194和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。
显示屏194用于显示图像,视频等。显示屏194包括显示面板。在一些实施例中,终端设备可以包括1个或N个显示屏194,N为大于1的正整数。
终端设备可以通过ISP,摄像头193,视频编解码器,GPU,显示屏194以及应用处理器等实现拍摄功能。
摄像头193用于捕获静态图像或视频。在一些实施例中,终端设备可以包括1个或N个摄像头193,N为大于1的正整数。
内部存储器121可以用于存储计算机可执行程序代码,可执行程序代码包括指令。内部存储器121可以包括存储程序区和存储数据区。
终端设备可以通过音频模块170,扬声器170A,受话器170B,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频模块170用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。扬声器170A,也称“喇叭”,用于将音频电信号转换为声音信号。终端设备可以通过扬声器170A收听音乐,或收听免提通话。受话器170B,也称“听筒”,用于将音频电信号转换成声音信号。当终端设备接听电话或语音信息时,可以通过将受话器170B靠近人耳接听语音。
压力传感器180A用于感受压力信号,可以将压力信号转换成电信号。在一些实施例中,压力传感器180A可以设置于显示屏194。陀螺仪传感器180B可以用于确定终端设备的运动姿态。气压传感器180C用于测量气压。磁传感器180D包括霍尔传感器。
加速度传感器180E可检测终端设备在各个方向上加速度的大小。本申请实施例中,该加速度传感器180E可以为三轴(包括x轴、y轴和z轴)加速度计传感器,用于测量用户在跌倒、非跌倒状态、抽搐以及非抽搐等状态下的加速度计数据(或称加速计数据或加速度数据等)。
电感传感器180F,用于检测人体皮肤电信号,该人体皮肤电信号的变化情况可以用于表征皮肤内的肌肉的紧张程度。本申请实施例中,可以通过电感传感器180F检测表面肌电信号(surface electromyography,sEMG)等,该sEMG可以为人体表面肌肉通过收缩产生的生物电流。例如,当电感传感器180F检测到sEMG的信号在短时间内突然增加时,终端设备可以确定此时用户的肌肉处于僵硬状态。
接近光传感器180G可以包括例如发光二极管(light emitting diode,LED)和光检测器,该光检测器可以为光电二极管(photo diode,PD)。本申请实施例中,接近光传感器180G可以采用光电容积脉搏波描记法(photoplethysmographic,PPG)检测用户的心率或其他人体特征。其中,该接近光传感器180G中的LED可以用于发出红光、绿光或红外光等光源,该接近光传感器180G中的PD可以用于接收LED光信号,并将该光信号处理为电信号。例如,PD可以用于接收由LED发送的且经过皮肤组织反射回的光信号,并将该信号处理为电信号,进而终端设备可以基于该电信号检测用户的心率、呼吸率或血氧等人体特征。
环境光传感器180L用于感知环境光亮度。
温度传感器180J用于检测温度。本申请实施例中,当该终端设备接触用户的皮肤时,该温度传感器180J可以用于测量皮肤的温度(或也可以理解为用户的体温)。
触摸传感器180K,也称“触控器件”。触摸传感器180K可以设置于显示屏194,由触摸传感器180K与显示屏194组成触摸屏,也称“触控屏”。骨传导传感器180M可以获取振动信号。
按键190包括开机键,音量键等。按键190可以是机械按键。也可以是触摸式按键。终端设备可以接收按键输入,产生与终端设备的用户设置以及功能控制有关的键信号输入。指示器192可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电或通知等。
示例性的,图3为本申请实施例提供的一种癫痫检测的架构示意图。如图3所示,该癫痫检测架构中可以包括:跌倒检测模块301、抽搐检测模块302、小臂肌肉电信号检测模块303、健康辅助模块304以及癫痫检测模块305等。其中,跌倒检测模块301用于检测用户是否处于跌倒状态;抽搐检测模块302用于检测用户是否处于抽搐状态;小臂肌肉电信号检测模块303用于检测用户是否处于肌肉僵硬状态;健康辅助模块304用于检测用户的人体特征,该人体特征可以为心率或体温等;癫痫检测模块305用于根据用户的跌倒状态、抽搐状态或肌肉僵硬状态等,以及用户的人体特征,检测用户是否处于癫痫发作状态。
在跌倒检测模块301中,终端设备可以基于三轴加速度计传感器获取用户的加速度计数据,基于上述加速度计数据进行跌倒状态的传统特征提取和深度特征提取,并将上述传统特征和深度特征输入至训练好的跌倒检测模型中进行预测,进而终端设备可以输出该传统特征和深度特征对应的跌倒检测结果,例如用户为跌倒状态或者用户为非跌倒状态。其中,该跌倒检测模型是由癫痫患者跌倒状态的加速度计样本数据,以及癫痫患者非跌倒状态的加速度计样本数据训练得到的。该传统特征可以理解为基于加速度计数据的简单计算或统计可以得到的特征,该深度特征可以为基于神经网络模型对该加速度计数据进行进一步挖掘的,得到的更深、更为抽象的特征。
在抽搐检测模块302中,终端设备可以基于三轴加速度计传感器获取用户的加速度计数据,并基于上述加速度计数据判断用户是否为静止状态、走或跑状态和相对微动状态,若用户不属于上述三种状态,则终端设备可以基于上述加速度计数据进行抽搐状态的传统特征提取,并将上述传统特征输入至训练好的抽搐检测模型中进行预测,进而终端设备可以输出该传统特征对应的抽搐检测结果,例如用户为抽搐状态或者用户为非抽搐状态。其中,该抽搐检测模型是由癫痫患者抽搐状态的加速度计样本数据,以及癫痫患者非抽搐状态的加速度计样本数据训练得到的。
在小臂肌肉电信号检测模块303中,终端设备可以基于电感传感器检测用户的皮肤表面的sEMG信号,通过检测sEMG信号是否在短时间内突然增加,确定小臂肌肉是否僵硬。可以理解的是,以终端设备为智能手环为例,用户在不同的部位佩戴智能手环时,智能手环可以检测不同部位的肌肉的僵硬情况。例如,当用户在手腕中佩戴智能手环时,智能手环可以基于检测到的sEMG信号,确定小臂肌肉是否僵硬;或者,当用户在脚腕中佩戴智能手环时,智能手环也可以基于检测到的sEMG信号,确定小腿肌肉是否僵硬。本申请实施例中,对用户佩戴终端设备的部位,以及终端设备进行僵硬检测的部位不做具体限定。
在健康辅助模块304中,终端设备可以基于温度传感器检测用户的体温,或者基于接近光传感器检测用户的心率等人体特征。可以理解的是,用于癫痫检测获取的人体特征可以根据实际场景包括其他内容,本申请实施例中对此不做限定。
在癫痫检测模块305中,当终端设备确定用户满足跌倒状态、抽搐状态或肌肉僵硬状态中的至少一种,并且,终端设备确定用户的心率超出正常状态下的心率的30%,和/或用户的体温超出正常状态下的体温的30%时,则终端设备可以判断用户处于癫痫发作状态。
基于此,终端设备不仅可以实现用户的癫痫发作的实时检测,也可以准确的识别癫痫发病的具体症状,进而医生可以基于检测到的癫痫发作的数据,准确判断癫痫患者的病情。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以独立实现,也可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
本申请实施例中提供的癫痫检测方案不仅能够实时检测癫痫患者的发作情况,也能识别出癫痫发作的具体症状,例如该癫痫症状为跌倒、抽搐、或者肌肉僵硬。因此,本申请实施例中可以实现对于跌倒状态的检测(如图4对应的实施例),对于抽搐状态的检测(如图7对应的实施例),对于肌肉僵硬状态的检测,以及基于跌倒状态、抽搐状态、肌肉僵硬状态和用户的人体数据实现对于癫痫状态的检测。
示例性的,本申请实施例可以实现对于跌倒状态的检测。例如,图4为本申请实施例提供的一种跌倒检测方法的流程示意图。如图4所示,跌倒检测方法可以包括:
S401、终端设备采集用户的加速度计数据。
本申请实施例中,该用户的加速度计数据包括:癫痫患者抽搐时的加速度计数据,以及癫痫患者非抽搐时的加速度计数据。
终端设备从三轴加速计传感器接收到的加速度计数据可以为:
其中,该Acc(t)可以为经过时间戳校准同步的三轴时序数组。该三轴加速计传感器采集加速度计数据的频率可以为100赫兹(hz),可以理解为1s采集100次加速度计数据,每10毫秒(ms)采集一次加速度计数据。
S402、终端设备对加速度计数据进行预处理。
本申请实施例中,该预处理的过程可以包括低通滤波以及降采样等处理。示例性的,为滤除高频噪声的影响,终端设备可以将S401中获取的加速度计数据输入至低通滤波器进行滤波处理。例如利用窗长为L1,幅值的滤波器分别在三个维度上进行滤波,则矩形窗WL卷积原始数据的结果可以为:
进一步的,在不影响精度的前提下,为降低后续数据处理的复杂度以及后续模型参数的内存占用,终端设备可以对数据进行降采样处理:
Acc(t)=Acc(5i)i=0,1,2,3,...
S403、终端设备对预处理后的数据进行传统特征提取。
本申请实施例中,该传统特征可以包括:加速度强度矢量(signal magnitudevector,SMV)(或也可以称为合速度),合速度最大值,合速度最小值、合速度最大最小差值,快速傅里叶变换(fast fourier transform,FFT)特征向量,加速度变化速率,合速度的平均值,加速度方差,5s内的加速度x,y,z的均值等至少10个数据。因此,每秒钟可以产生1*10个数据。
其中,该合速度可以为:
其中,x,y,z可以分别为x轴,y轴,z轴上的加速度计数据。该合速度可以1秒内20个合速度中的第10个合速度,用于表征1s时的跌倒状态下的瞬时速度。
该合速度最大值可以为:该1s内多次合速度中的最大值。该合速度最小值可以为:该1s内多次合速度中的最小值。
该合速度最大最小差值可以为:该1s内多次合速度中的最大值与最小值的差值。
该FFT特征向量可以为:用于将时域数据转化为频域数据。本申请实施例中,每1秒可以任取0.5s的加速度计数据进行FFT计算。
该加速度的变化速率可以为:合速度的变化率。例如,第1秒的合速度为第1秒内20个合速度的平均值,则第2秒的加速度变化速率可以为,第2秒的第一个合速度的数值与第1秒的合速度的变化率(或也可以理解为,对上一秒的加速度平均值进行求导)。用于表示跌倒状态下的加速度变化情况。
该合速度的平均值可以为:该1s内多次合速度的平均值。
该加速度方差可以为:该1s内多次合速度的方差值。
该5s内的加速度x,y,z的均值可以为:当取第1秒的加速度均值时,x可以为该第1秒内x轴获取的20个加速度计数据的平均值,y可以为该第1秒内y轴获取的20个加速度计数据的平均值,z可以为该第1秒内z轴获取的20个加速度计数据的平均值。当取第2秒的加速度均值时,x可以为取该上述第1秒的x轴的加速度均值与第2秒内x轴获取的20个加速度计数据的平均值的平均值,y可以为取该上述第1秒的y轴的加速度均值与第2秒内y轴获取的20个加速度计数据的平均值的平均值,z可以为取该上述第1秒的z轴的加速度均值与第2秒内z轴获取的20个加速度计数据的平均值的平均值。其他秒的加速度均值与上述第2秒的加速度均值类似,在此不再赘述。
S404、终端设备利用卷积神经网络模型,对预处理后的数据进行深度特征提取。
示例性的,图5为本申请实施例提供的一种卷积神经网络模型的结构示意图。如图5所示,该卷积神经网络模型可以包括:输入模块501、网络结构模块502,以及输出模块503,该网络结构模块502可以包括:深度卷积(conv depthwise)模块504、点卷积(convpointwise)模块505等其他卷积模块。其中,该深度卷积模块504可以由核为3*3的卷积计算层(conv3*3)、归一化层(batch norm)以及拉伸至同一纬度层(scale)等构成,该点卷积模块505可以由核为1*1的卷积计算层(conv1*1)、归一化层(batch norm)以及拉伸至同一纬度层(scale)等构成。该输出模块503中可以包括激活函数,例如双曲正切函数(tanh)。
在图5对应的实施例中,该卷积神经网络模型是由加速度计样本数据训练得到的。例如,终端设备向该卷积神经网络模型中输入0.5秒的加速度计数据,例如入参可以为10*3,输出的深度特征的大小,例如出参可以为1*35。
S405、终端设备利用跌倒检测模型,检测该传统特征和深度特征对应的跌倒状态。
本申请实施例中,该跌倒检测模型是由,加速度计数据的传统特征样本数据以及加速度计数据的深度特征样本数据训练得到的。
该跌倒检测模型中的传统特征也可以称为第一运动幅度特征。
示例性的,图6为本申请实施例提供的一种跌倒检测模型的结构示意图。如图6所示,该跌倒检测模型可以为四层的全连接神经网络模型,包括输入层601、隐含层602、隐含层603以及输出层604。
在该跌倒检测模型中,传统特征数据以及深度特征数据可以作为输入层601的输入数据,每个数据值可以对应于一个输入节点,输入层的节点数可以为45,例如传统特征的节点数可以为10,深度特征的节点数可以为30。
隐含层602和隐含层603的节点数可以为预设的,例如该隐含层602和隐含层603中的节点数可以根据训练该跌倒检测模型的历史记录中得到的,如该节点均可以为15。如图6所示,隐含层602、隐含层603以及输出层604中的w可以为权重(weights),b可以为偏置(bias),可以理解的是,当隐含层602的输入为x时,该隐含层602的输出可以为y=wx+b;隐含层602和隐含层603中的激活函数可以为tanh,或者该激活函数也可以为线性整流函数(rectified linear unit,ReLU)、ReLU 6或S型生长函数(sigmoid)等,本申请实施例中对此不做限定。
输出层604的节点数可以为2,用于输出该传统特征数据以及深度特征数据对应的数据是否属于跌倒状态,上述输出层中采用全连接。
其中,本申请实施例中可以采用共轭梯度法作为跌倒检测模型的训练方法。
示例性的,根据传统特征样本数据以及深度特征样本数据训练上述跌倒检测模型的一种可能实现为:在待训练的神经网络模型中输入,癫痫患者在跌倒状态下和非跌倒状态下的传统特征样本数据,以及,癫痫患者在跌倒状态下和非跌倒状态下的深度特征样本数据,利用待训练的神经网络模型输出预测的跌倒情况,利用损失函数比较预测跌倒情况与真实跌倒情况的差距,例如可以计算预测的跌倒情况的召回率或误识别率等,当该模型输出的预测跌倒情况与真实跌倒情况不满足损失函数时,则调整该模型参数,继续训练;直到模型输出的预测跌倒情况与真实跌倒情况的差距满足损失函数,则模型训练结束,得到跌倒检测模型。进而,终端设备可以基于用户的加速度计数据的传统特征数据和深度特征数据,识别用户的是否处于跌倒状态。
可以理解的是,在S401所示的步骤中终端设备获取用户的加速度计数据后,该S402-S405所示的步骤可以在终端设备中实现或者也可以在服务器中实现。示例性的,终端设备可以将S401所示的步骤中获取的加速度计数据上传至服务器,在服务器中执行S402-S405所示的步骤获取该加速度计数据的传统特征和深度特征,并识别出该传统特征和深度特征对应的跌倒状态,进一步的,服务器可以将上述跌倒状态发送至终端设备。
基于此,终端设备可以根据检测到的用户当前状态的加速度计数据,提取检测跌倒状态对应的传统特征数据以及深度特征数据,并基于跌倒检测模型更准确的识别用户是否处于跌倒状态。
示例性的,本申请实施例可以实现对于抽搐状态的检测。例如,图7为本申请实施例提供的一种跌倒检测方法的流程示意图。如图7所示,跌倒检测方法可以包括:
S701、终端设备采集用户的加速度计数据。
本申请实施例中,该用户的加速度计数据可以包括:癫痫患者抽搐时的加速度计数据,以及癫痫患者非抽搐时的加速度计数据。
S702、终端设备对加速度计数据进行均值滤波处理。
可以理解的是,该均值滤波用于去除加速度计数据中的噪声影响。
S703、终端设备利用加速度计数据判断当前用户是否处于静止状态、走或跑状态、或相位微动状态等。
本申请实施例中,当终端设备利用加速度计数据判断当前用户处于静止状态、走或跑状态、或相位微动状态等状态时,则终端设备可以执行S704所示的步骤;或者,当终端设备利用加速度计数据判断当前用户不处于静止状态、走或跑状态、或相位微动状态等状态时,则终端设备可以执行S705所示的步骤。
其中,该静止状态可以理解为加速度计数据中的合速度的差值趋近于0;该微动状态可以理解为该合速度的差值趋近于阈值,例如可以为2等,或者该合速度的差值满足一定差值范围,例如可以为2-3等;该走或跑状态可以理解为该合速度的差值趋近于走或跑对应的差值范围,例如可以为3-10等。或者,上述静止状态、走或跑状态、或相对微动状态也可以基于训练好的检测模型进行识别。
S704、终端设备结束检测抽搐检测流程。
S705、终端设备对非静止状态、非走或跑状态、以及非相对微动状态对应的加速度计数据进行传统特征提取。
本申请实施例中,该传统特征可以包括:合速度的平均值、加速度方差、平均偏差、x轴的最大最小差值、y轴的最大最小差值、z轴的最大最小差值。因此,每秒钟可以产生1*6个数据。
其中,该合速度的平均值和加速度方差,与S403所示的步骤中的合速度的平均值和加速度方差的取值相同,在此不再赘述。
该平均偏差可以为:与上一秒的合速度平均值的差值。
该x轴的最大最小差值可以为:该1s内x轴中的加速度计数据的最大值和加速度计数据的最小值的差值。
该y轴的最大最小差值可以为:该1s内y轴中的加速度计数据的最大值和加速度计数据的最小值的差值。
该z轴的最大最小差值可以为:该1s内z轴中的加速度计数据的最大值和加速度计数据的最小值的差值。
S706、终端设备利用抽搐检测模型,检测该传统特征对应的抽搐状态。
本申请实施例中,该跌倒检测模型是由癫痫患者抽搐状态的传统特征样本数据以及癫痫患者非抽搐状态的传统特征样本数据训练得到的。
该抽搐检测模型中的传统特征也可以称为第二运动幅度特征。第一运动幅度可以理解为跌倒检测时的运动幅度,第二运动幅度可以理解为抽搐检测时的运动幅度。其中,第二运动幅度大于第一运动幅度。可以理解的是,跌倒检测时的运动幅度较大。
可以理解的是,S706所示的步骤中的抽搐检测模型的训练方法,与S405所示的步骤中的跌倒检测模型的训练方法类似。示例性的,根据传统特征样本数据训练抽搐检测模型的一种可能实现为:在待训练的神经网络模型中输入癫痫患者在抽搐状态下和非抽搐状态下的传统特征样本数据,利用待训练的神经网络模型输出预测的抽搐情况,利用损失函数比较预测抽搐情况与真实抽搐情况的差距,例如可以计算预测抽搐情况的召回率或误识别率等,当该模型输出的预测抽搐情况与真实抽搐情况不满足损失函数,则调整该模型参数,继续训练;直到模型输出的预测抽搐情况与真实抽搐情况的差距满足损失函数,则模型训练结束,得到抽搐检测模型。进而,终端设备可以基于用户的加速度计数据的传统特征数据,识别用户的是否处于抽搐状态。
可以理解的是,在S701所示的步骤中终端设备获取用户的加速度计数据后,该S702-S706所示的步骤可以在终端设备中实现或者也可以在服务器中实现,具体过程不再赘述。
基于此,终端设备可以根据检测到的用户当前状态的加速度计数据,提取检测抽搐状态对应的传统特征数据,并基于抽搐检测模型更准确的识别用户是否处于抽搐状态。
示例性的,本申请实施例可以实现对于肌肉僵硬状态的检测。本申请实施例中,终端设备可以基于电感传感器检测用户的皮肤表面的sEMG信号,通过检测sEMG信号是否在短时间内突然增加,确定小臂肌肉是否僵硬。
示例性的,终端设备可以获取一段时间内sEMG信号的采样点,如获取5s内20个sEMG信号的采样点的数据,以20个采样点中的前5个采样点为例,若采样点之间的时间差为△t,当终端设备确定前5个采样点中,第5个采样点的信号,与第1个采样点的信号(或第2个采样点的信号、第3个采样点的信号或第4个采样点的信号)的变化率超过50%,则终端设备可以确定用户处于肌肉僵硬状态。
可以理解的是,若该20个采样点中的前5个采样点的信号变化率不超过50%,则可以继续判断下5个采样点的信号的变化率,具体判断过程与上述类似,在此不再赘述。
可以理解的是,本申请实施例中提供的具体的采样方法以及肌肉僵硬判断方法可以根据实际场景包括其他内容,本申请实施例中对此不做限定。
基于此,终端设备可以根据检测到的用户当前状态的sEMG信号的变化情况,更准确的识别用户是否处于肌肉僵硬状态。
示例性的,终端设备可以基于述跌倒检测情况、抽搐检测情况和肌肉僵硬检测情况,以及用户的人体特征数据的异常情况,综合判断用户是否处于癫痫发作状态。
其中,该人体特征数据可以包括心率或体温等数据。该人体特征数据的异常判断可以为,终端设备基于实时监测的人体的心率平均数据,确定当前心率数据超出该人体的心率平均数据的30%,则终端设备可以确定当前的心率异常;和/或,终端设备基于实时监测的人体的体温平均数据,确定当前体温数据超出该人体的体温平均数据的30%,则终端设备可以确定当前的体温异常。
示例性的,当终端设备确定用户满足跌倒状态、抽搐状态或肌肉僵硬状态中的至少一种,以及,用户满足心率数据异常或体温数据异常中的至少一种时,则终端设备可以确定用户处于癫痫发作状态。例如,当终端设备确定用户处于跌倒状态,并且心率数据超出终端设备记录的正常心率数据的25%,由于用户的心率数据并无异常,因此终端设备可以确定当前不处于癫痫发作状态。可以理解的是,上述用于判断人体特征异常的数据,可以根据实际场景包括其他内容,本申请实施例中对此不做限定。
基于此,终端设备可以通过癫痫发作的状况例如跌倒、抽搐和肌肉僵硬,以及人体特征数据,更准确的识别用户是否处于癫痫发作状态。
在终端设备检测到癫痫发作状态的基础上,可能的实现方式中,终端设备不仅可以实时记录用户的癫痫发作状态(如图8对应的实施例),也可以在癫痫发作时将患病情况通过消息发送至终端设备保存的紧急联系人处(如图9对应的实施例)。
示例性的,图8为本申请实施例提供的一种终端设备的界面示意图。在图8对应的实施例中,以终端设备为智能手表为例进行示例说明,该示例并不构成对本申请实施例的限定。
当智能手表接收到用户打开运动健康应用程序中的癫痫记录的操作时,智能手表可以显示如图8中的a所示的界面,该界面中可以显示一段时间内,佩戴智能手表的用户的癫痫发作次数,例如记录6.1-6.7日之内的用户的癫痫发作次数。
如图8中的a所示的界面,当智能手表接收到用户触发6.1-6.7中的任一时间点,例如触发6.4对应的控件的操作时,智能手表可以显示如图8中的b所示的界面,该界面中可以进一步的显示6.4当天,癫痫发作的具体时间,例如在08:00左右发作1次,在12:00左右发作2次,在16:00左右发作1次以及在20:00左右发作1次。或者,当该智能手表与用户的智能手机绑定时,智能手机也可以将癫痫发作对应的数据发送至智能手机,进而用户也可以基于智能手机中记录查看上述癫痫发作对应的数据。
基于此,终端设备可以实现对于用户的癫痫发作状态的实时监测和记录,该记录的数据将有助于后续用户的癫痫治疗。
示例性的,图9为本申请实施例提供的另一种终端设备的界面示意图。在图9对应的实施例中,以终端设备为智能手表为例进行示例说明,该示例并不构成对本申请实施例的限定。
当智能手表基于本申请实施例提供的癫痫检测方法,检测到用户癫痫发作的症状,例如跌倒症状时,终端设备可以显示如图9所示的界面。该界面中可以显示癫痫状态告警信息,该癫痫状态告警信息可以为,检测到您当前处于跌倒状态,已将您当前的状态上报给紧急联系人。
可能的实现方式中,当终端设备接收到用户针对该告警信息的触发时,终端设备可以显示桌面对应的界面。
可能的实现方式中,在检测到用户处于癫痫发作状态时,终端设备也可以获取用户所在的位置信息,并将该位置信息上报给紧急联系人;或者,终端设备也可以发出告警声音,以便得到及时的救助。
基于此,即使癫痫患者处于空旷地带,在癫痫发作时无法呼叫他人,终端设备也可以将癫痫患者当前的状态发送至紧急联系人处,进而帮助癫痫患者及时得到救助。
上面结合图3-图9,对本申请实施例提供的方法进行了说明,下面对本申请实施例提供的执行上述方法的装置进行描述。如图10所示,图10为本申请实施例提供的一种癫痫检测装置的结构示意图,该癫痫检测装置可以是本申请实施例中的终端设备,也可以是终端设备内的芯片或芯片系统。
如图10所示,癫痫检测装置100可以用于通信设备、电路、硬件组件或者芯片中,该癫痫检测装置包括:显示单元1001、确定单元1002、处理单元1003、通信单元1004。其中,显示单元1001用于支持癫痫检测方法执行的显示的步骤;确定单元1002用于支持癫痫检测装置执行确定的步骤;处理单元1003用于支持癫痫检测装置执行信息处理的步骤;通信单元1004用于支持癫痫检测装置执行信息的发送和接收的步骤。
具体的,本申请实施例提供一种癫痫检测装置100,终端设备包括加速度传感器和电感传感器,装置包括:处理单元1003,用于获取第一数据;第一数据包括加速度计数据和电信号数据;加速度计数据是加速度传感器采集的,电信号数据是电感传感器采集的;处理单元1003,还用于从加速度计数据中提取第一运动幅度特征数据以及深度特征数据;第一运动幅度特征数据为用于跌倒检测的数据;处理单元1003,还用于从加速度计数据中提取第二运动幅度特征数据;第二运动幅度特征数据为用于抽搐检测的数据;处理单元1003,还用于将第一运动幅度特征数据和深度特征数据输入至第一神经网络模型,得到跌倒检测结果;处理单元1003,还用于将第二运动幅度特征数据输入至第二神经网络模型,得到抽搐检测结果;第一运动幅度大于第二运动幅度;当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,确定单元1002,用于确定第一数据对应的状态为癫痫发作状态;肌肉僵硬检测结果为基于电信号数据的检测得到的;或者,当跌倒检测结果不满足第一预设条件、抽搐检测结果不满足第二预设条件、和/或肌肉僵硬检测结果不满足第三预设条件时,确定单元1002,还用于确定第一数据对应的状态为非癫痫发作状态。
在一种可能的实现方式中,深度特征数据为终端设备利用第三神经网络模型,对加速度计数据进行深度特征提取得到的。
在一种可能的实现方式中,第三神经网络模型为终端设备基于加速度计样本数据训练得到的,第三神经网络模型中包括输入模块、深度卷积模块、点卷积模块和输出模块,深度卷积模块中包括核为3*3的卷积计算层、第一归一化层以及第一拉伸至同一纬度层,点卷积模块中包括核为1*1的卷积计算层、第二归一化层以及第二拉伸至同一纬度层。
在一种可能的实现方式中,第一运动幅度特征数据包括以下至少一项:加速度强度矢量SMV,SMV最大值,SMV最小值、SMV最大值与最小的差值,FFT特征向量,加速度变化速率,SMV平均值,加速度方差,x轴的加速度均值,y轴的加速度均值或z轴的加速度均值。
在一种可能的实现方式中,第二运动幅度特征数据包括以下至少一项:SMV平均值,加速度方差,平均偏差,x轴最大加速度计数据与最小加速度计数据的差值,y轴最大加速度计数据与最小加速度计数据的差值,或z轴最大加速度计数据与最小加速度计数据的差值。
在一种可能的实现方式中,第一神经网络模型为基于加速度计样本数据对应的运动幅度特征样本数据,以及加速度计数据对应的深度特征样本数据训练得到的,第一神经网络模型为四层全连接的神经网络模型,第一神经网络模型中包括输入层、第一隐含层、第二隐含层和输出层;输入层的节点中包含第一运动幅度特征数据对应的节点数以及深度特征数据对应的节点数。
在一种可能的实现方式中,输入层的节点数为45,第一运动幅度特征数据对应的节点数为10,深度特征数据对应的节点数为35,输出层的节点数为2。
在一种可能的实现方式中,处理单元1003,具体用于利用均值滤波对加速度计数据进行滤波处理,得到滤波处理后的数据;确定单元1002,具体用于确定滤波处理后的数据是否满足第一状态、第二状态和/或第三状态;第一状态为滤波处理后的数据中的相邻加速度计数据的差值为0的状态,第二状态为滤波处理后的数据中的相邻加速度计数据的差值满足第一差值范围的状态;第三状态为滤波处理后的数据中的相邻加速度计数据的差值满足第二差值范围的状态;当终端设备确定滤波处理后的数据不满足第一状态、第二状态和/或第三状态时,处理单元1003,还具体用于从滤波处理后的数据中提取第二运动幅度特征数据。
在一种可能的实现方式中,处理单元1003,具体用于:利用滤波器对加速度计数据进行滤波处理,得到滤波处理后的数据;对滤波处理后的数据进行降采样处理,得到降采样处理后的数据;从降采样处理后的数据中提取第一运动幅度特征数据以及深度特征数据。
其中,Acc(t)为加速度计数据,i为大于或等于0的整数。
在一种可能的实现方式中,显示单元1001,用于显示第一界面;第一界面中包括告警信息;告警信息用于指示用户处于癫痫发作状态;当终端设备接收到针对告警信息的操作时,显示单元1001,还用于显示第二界面;第二界面为终端设备的桌面对应的界面。
在一种可能的实现方式中,通信单元1004,用于将癫痫发作状态发送至其他设备,其他设备为终端设备记录的癫痫发作时的紧急联系人对应的设备。
在一种可能的实现方式中,电信号数据为表面肌电信号sEMG。
在一种可能的实现方式中,第一数据还包括温度数据和心率数据,当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,包括:当跌倒检测结果满足第一预设条件、抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件,并且,心率数据满足第四预设条件和/或温度数据满足第五预设条件时;其中,终端设备还包括温度传感器和接近光传感器,温度数据是温度传感器采集的,心率数据是接近光传感器采集的。
在癫痫检测装置100中,显示单元1001、确定单元1002、处理单元1003以及通信单元1004可以通过线路相连。其中,通信单元1004可以是输入或者输出接口、管脚或者电路等。示例性的,存储单元1005可以存储终端设备中的计算机执行指令,以使处理单元1003执行上述实施例中的方法。存储单元1005可以是寄存器、缓存或者RAM等,存储单元1005可以和处理单元1003集成在一起。存储单元1005可以是ROM或者可存储静态信息和指令的其他类型的静态存储设备,存储单元1005可以与处理单元1302相独立。
在一种可能的实施例中,癫痫检测装置100还可以包括:存储单元1005。处理单元1003与存储单元1005通过线路相连。
存储单元1005可以包括一个或者多个存储器,存储器可以是一个或者多个设备、电路中用于存储程序或者数据的器件。
存储单元1005可以独立存在,通过通信线路与癫痫检测装置具有的处理单元1003相连。存储单元1005也可以和处理单元1003集成在一起。
图11为本申请实施例提供的一种控制设备的硬件结构示意图,如图11所示,该控制设备包括处理器1101,通信线路1104以及至少一个通信接口(图11中示例性的以通信接口1103为例进行说明)。
处理器1101可以是一个通用中央处理器(central processing unit,CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
通信线路1104可包括在上述组件之间传送信息的电路。
通信接口1103,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线局域网(wireless local area networks,WLAN)等。
可能的,该控制设备还可以包括存储器1102。
存储器1102可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过通信线路1104与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器1102用于存储执行本申请方案的计算机执行指令,并由处理器1101来控制执行。处理器1101用于执行存储器1102中存储的计算机执行指令,从而实现本申请实施例所提供的方法。
可能的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
在具体实现中,作为一种实施例,处理器1101可以包括一个或多个CPU,例如图11中的CPU0和CPU1。
在具体实现中,作为一种实施例,控制设备可以包括多个处理器,例如图11中的处理器1101和处理器1105。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
示例性的,图12为本申请实施例提供的一种芯片的结构示意图。芯片120包括一个或两个以上(包括两个)处理器1220和通信接口1230。
在一些实施方式中,存储器1240存储了如下的元素:可执行模块或者数据结构,或者他们的子集,或者他们的扩展集。
本申请实施例中,存储器1240可以包括只读存储器和随机存取存储器,并向处理器1220提供指令和数据。存储器1240的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory,NVRAM)。
本申请实施例中,存储器1240、通信接口1230以及处理器1220通过总线系统1210耦合在一起。其中,总线系统1210除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。为了便于描述,在图12中将各种总线都标为总线系统1210。
上述本申请实施例描述的方法可以应用于处理器1220中,或者由处理器1220实现。处理器1220可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1220中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1220可以是通用处理器(例如,微处理器或常规处理器)、数字信号处理器(digitalsignal processing,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、晶体管逻辑器件或分立硬件组件,处理器1220可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。
结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。其中,软件模块可以位于随机存储器、只读存储器、可编程只读存储器或带电可擦写可编程存储器(electricallyerasable programmable read only memory,EEPROM)等本领域成熟的存储介质中。该存储介质位于存储器1240,处理器1220读取存储器1240中的信息,结合其硬件完成上述方法的步骤。
在上述实施例中,存储器存储的供处理器执行的指令可以以计算机程序产品的形式实现。其中,计算机程序产品可以是事先写入在存储器中,也可以是以软件形式下载并安装在存储器中。
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。例如,可用介质可以包括磁性介质(例如,软盘、硬盘或磁带)、光介质(例如,数字通用光盘(digital versatile disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
本申请实施例还提供了一种计算机可读存储介质。上述实施例中描述的方法可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。计算机可读介质可以包括计算机存储介质和通信介质,还可以包括任何可以将计算机程序从一个地方传送到另一个地方的介质。存储介质可以是可由计算机访问的任何目标介质。
作为一种可能的设计,计算机可读介质可以包括紧凑型光盘只读储存器(compactdisc read-only memory,CD-ROM)、RAM、ROM、EEPROM或其它光盘存储器;计算机可读介质可以包括磁盘存储器或其它磁盘存储设备。而且,任何连接线也可以被适当地称为计算机可读介质。例如,如果使用同轴电缆,光纤电缆,双绞线,DSL或无线技术(如红外,无线电和微波)从网站,服务器或其它远程源传输软件,则同轴电缆,光纤电缆,双绞线,DSL或诸如红外,无线电和微波之类的无线技术包括在介质的定义中。如本文所使用的磁盘和光盘包括光盘(CD),激光盘,光盘,数字通用光盘(digital versatile disc,DVD),软盘和蓝光盘,其中磁盘通常以磁性方式再现数据,而光盘利用激光光学地再现数据。
上述的组合也应包括在计算机可读介质的范围内。以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (31)
1.一种癫痫检测方法,其特征在于,终端设备包括加速度传感器和电感传感器,所述方法包括:
所述终端设备获取第一数据;所述第一数据包括加速度计数据和电信号数据;所述加速度计数据是所述加速度传感器采集的,所述电信号数据是所述电感传感器采集的;
所述终端设备从所述加速度计数据中提取第一运动幅度特征数据以及深度特征数据;所述第一运动幅度特征数据为用于跌倒检测的数据;
所述终端设备从所述加速度计数据中提取第二运动幅度特征数据;所述第二运动幅度特征数据为用于抽搐检测的数据;
所述终端设备将所述第一运动幅度特征数据和所述深度特征数据输入至第一神经网络模型,得到跌倒检测结果;
所述终端设备将所述第二运动幅度特征数据输入至第二神经网络模型,得到抽搐检测结果;所述第一运动幅度大于所述第二运动幅度;
当所述跌倒检测结果满足第一预设条件、所述抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,所述终端设备确定所述第一数据对应的状态为癫痫发作状态;所述肌肉僵硬检测结果为基于所述电信号数据的检测得到的;
或者,当所述跌倒检测结果不满足所述第一预设条件、所述抽搐检测结果不满足所述第二预设条件、和/或所述肌肉僵硬检测结果不满足所述第三预设条件时,所述终端设备确定所述第一数据对应的状态为非癫痫发作状态。
2.根据权利要求1所述的方法,其特征在于,所述深度特征数据为所述终端设备利用第三神经网络模型,对所述加速度计数据进行深度特征提取得到的。
3.根据权利要求2所述的方法,其特征在于,所述第三神经网络模型为所述终端设备基于加速度计样本数据训练得到的,所述第三神经网络模型中包括输入模块、深度卷积模块、点卷积模块和输出模块,所述深度卷积模块中包括核为3*3的卷积计算层、第一归一化层以及第一拉伸至同一纬度层,所述点卷积模块中包括核为1*1的卷积计算层、第二归一化层以及第二拉伸至同一纬度层。
4.根据权利要求1所述的方法,其特征在于,所述第一运动幅度特征数据包括以下至少一项:加速度强度矢量SMV,SMV最大值,SMV最小值、所述SMV最大值与所述最小的差值,FFT特征向量,加速度变化速率,SMV平均值,加速度方差,x轴的加速度均值,y轴的加速度均值或z轴的加速度均值。
5.根据权利要求1所述的方法,其特征在于,所述第二运动幅度特征数据包括以下至少一项:SMV平均值,加速度方差,平均偏差,x轴最大加速度计数据与最小加速度计数据的差值,y轴最大加速度计数据与最小加速度计数据的差值,或z轴最大加速度计数据与最小加速度计数据的差值。
6.根据权利要求1所述的方法,其特征在于,所述第一神经网络模型为基于加速度计样本数据对应的运动幅度特征样本数据,以及所述加速度计数据对应的深度特征样本数据训练得到的,所述第一神经网络模型为四层全连接的神经网络模型,所述第一神经网络模型中包括输入层、第一隐含层、第二隐含层和输出层;所述输入层的节点中包含所述第一运动幅度特征数据对应的节点数以及所述深度特征数据对应的节点数。
7.根据权利要求6所述的方法,其特征在于,所述输入层的节点数为45,所述第一运动幅度特征数据对应的节点数为10,所述深度特征数据对应的节点数为35,所述输出层的节点数为2。
8.根据权利要求1所述的方法,其特征在于,所述终端设备从所述加速度计数据中提取第二运动幅度特征数据,包括:
所述终端设备利用均值滤波对所述加速度计数据进行滤波处理,得到滤波处理后的数据;
所述终端设备确定所述滤波处理后的数据是否满足第一状态、第二状态和/或第三状态;所述第一状态为所述滤波处理后的数据中的相邻加速度计数据的差值为0的状态,所述第二状态为所述滤波处理后的数据中的相邻加速度计数据的差值满足第一差值范围的状态;所述第三状态为所述滤波处理后的数据中的相邻加速度计数据的差值满足第二差值范围的状态;
当所述终端设备确定所述滤波处理后的数据不满足所述第一状态、所述第二状态和/或所述第三状态时,所述终端设备从所述滤波处理后的数据中提取所述第二运动幅度特征数据。
9.根据权利要求1所述的方法,其特征在于,所述终端设备从所述加速度计数据中提取第一运动幅度特征数据以及深度特征数据,包括:
所述终端设备利用滤波器对所述加速度计数据进行滤波处理,得到滤波处理后的数据;
所述终端设备对所述滤波处理后的数据进行降采样处理,得到降采样处理后的数据;
所述终端设备从所述降采样处理后的数据中提取所述第一运动幅度特征数据以及所述深度特征数据。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
所述终端设备显示第一界面;所述第一界面中包括告警信息;所述告警信息用于指示用户处于所述癫痫发作状态;
当所述终端设备接收到针对所述告警信息的操作时,所述终端设备显示第二界面;所述第二界面为所述终端设备的桌面对应的界面。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:
所述终端设备将所述癫痫发作状态发送至其他设备,所述其他设备为所述终端设备记录的癫痫发作时的紧急联系人对应的设备。
13.根据权利要求1所述的方法,其特征在于,所述电信号数据为表面肌电信号sEMG。
14.根据权利要求1-13任一项所述的方法,其特征在于,所述第一数据还包括温度数据和心率数据,所述当所述跌倒检测结果满足第一预设条件、所述抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,包括:
当所述跌倒检测结果满足所述第一预设条件、所述抽搐检测结果满足所述第二预设条件和/或所述肌肉僵硬检测结果满足所述第三预设条件,并且,所述心率数据满足第四预设条件和/或所述温度数据满足第五预设条件时;其中,所述终端设备还包括温度传感器和接近光传感器,所述温度数据是所述温度传感器采集的,所述心率数据是所述接近光传感器采集的。
15.一种癫痫检测装置,其特征在于,终端设备包括加速度传感器和电感传感器,所述装置包括:
处理单元,用于获取第一数据;所述第一数据包括加速度计数据和电信号数据;所述加速度计数据是所述加速度传感器采集的,所述电信号数据是所述电感传感器采集的;
所述处理单元,还用于从所述加速度计数据中提取第一运动幅度特征数据以及深度特征数据;所述第一运动幅度特征数据为用于跌倒检测的数据;
所述处理单元,还用于从所述加速度计数据中提取第二运动幅度特征数据;所述第二运动幅度特征数据为用于抽搐检测的数据;
所述处理单元,还用于将所述第一运动幅度特征数据和所述深度特征数据输入至第一神经网络模型,得到跌倒检测结果;
所述处理单元,还用于将所述第二运动幅度特征数据输入至第二神经网络模型,得到抽搐检测结果;所述第一运动幅度大于所述第二运动幅度;
当所述跌倒检测结果满足第一预设条件、所述抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,确定单元,用于确定所述第一数据对应的状态为癫痫发作状态;所述肌肉僵硬检测结果为基于所述电信号数据的检测得到的;
或者,当所述跌倒检测结果不满足所述第一预设条件、所述抽搐检测结果不满足所述第二预设条件、和/或所述肌肉僵硬检测结果不满足所述第三预设条件时,所述确定单元,还用于确定所述第一数据对应的状态为非癫痫发作状态。
16.根据权利要求15所述的装置,其特征在于,所述深度特征数据为所述终端设备利用第三神经网络模型,对所述加速度计数据进行深度特征提取得到的。
17.根据权利要求16所述的装置,其特征在于,所述第三神经网络模型为所述终端设备基于加速度计样本数据训练得到的,所述第三神经网络模型中包括输入模块、深度卷积模块、点卷积模块和输出模块,所述深度卷积模块中包括核为3*3的卷积计算层、第一归一化层以及第一拉伸至同一纬度层,所述点卷积模块中包括核为1*1的卷积计算层、第二归一化层以及第二拉伸至同一纬度层。
18.根据权利要求15所述的装置,其特征在于,所述第一运动幅度特征数据包括以下至少一项:加速度强度矢量SMV,SMV最大值,SMV最小值、所述SMV最大值与所述最小的差值,FFT特征向量,加速度变化速率,SMV平均值,加速度方差,x轴的加速度均值,y轴的加速度均值或z轴的加速度均值。
19.根据权利要求15所述的装置,其特征在于,所述第二运动幅度特征数据包括以下至少一项:SMV平均值,加速度方差,平均偏差,x轴最大加速度计数据与最小加速度计数据的差值,y轴最大加速度计数据与最小加速度计数据的差值,或z轴最大加速度计数据与最小加速度计数据的差值。
20.根据权利要求15所述的装置,其特征在于,所述第一神经网络模型为基于加速度计样本数据对应的运动幅度特征样本数据,以及所述加速度计数据对应的深度特征样本数据训练得到的,所述第一神经网络模型为四层全连接的神经网络模型,所述第一神经网络模型中包括输入层、第一隐含层、第二隐含层和输出层;所述输入层的节点中包含所述第一运动幅度特征数据对应的节点数以及所述深度特征数据对应的节点数。
21.根据权利要求20所述的装置,其特征在于,所述输入层的节点数为45,所述第一运动幅度特征数据对应的节点数为10,所述深度特征数据对应的节点数为35,所述输出层的节点数为2。
22.根据权利要求15所述的装置,其特征在于,所述处理单元,具体用于利用均值滤波对所述加速度计数据进行滤波处理,得到滤波处理后的数据;所述确定单元,具体用于确定所述滤波处理后的数据是否满足第一状态、第二状态和/或第三状态;所述第一状态为所述滤波处理后的数据中的相邻加速度计数据的差值为0的状态,所述第二状态为所述滤波处理后的数据中的相邻加速度计数据的差值满足第一差值范围的状态;所述第三状态为所述滤波处理后的数据中的相邻加速度计数据的差值满足第二差值范围的状态;当所述终端设备确定所述滤波处理后的数据不满足所述第一状态、所述第二状态和/或所述第三状态时,所述处理单元,还具体用于从所述滤波处理后的数据中提取所述第二运动幅度特征数据。
23.根据权利要求15所述的装置,其特征在于,所述处理单元,具体用于:利用滤波器对所述加速度计数据进行滤波处理,得到滤波处理后的数据;对所述滤波处理后的数据进行降采样处理,得到降采样处理后的数据;从所述降采样处理后的数据中提取所述第一运动幅度特征数据以及所述深度特征数据。
25.根据权利要求15所述的装置,其特征在于,显示单元,用于显示第一界面;所述第一界面中包括告警信息;所述告警信息用于指示用户处于所述癫痫发作状态;当所述终端设备接收到针对所述告警信息的操作时,所述显示单元,还用于显示第二界面;所述第二界面为所述终端设备的桌面对应的界面。
26.根据权利要求15所述的装置,其特征在于,通信单元,用于将所述癫痫发作状态发送至其他设备,所述其他设备为所述终端设备记录的癫痫发作时的紧急联系人对应的设备。
27.根据权利要求15所述的装置,其特征在于,所述电信号数据为表面肌电信号sEMG。
28.根据权利要求15-27任一项所述的装置,其特征在于,所述第一数据还包括温度数据和心率数据,所述当所述跌倒检测结果满足第一预设条件、所述抽搐检测结果满足第二预设条件和/或肌肉僵硬检测结果满足第三预设条件时,包括:当所述跌倒检测结果满足所述第一预设条件、所述抽搐检测结果满足所述第二预设条件和/或所述肌肉僵硬检测结果满足所述第三预设条件,并且,所述心率数据满足第四预设条件和/或所述温度数据满足第五预设条件时;其中,所述终端设备还包括温度传感器和接近光传感器,所述温度数据是所述温度传感器采集的,所述心率数据是所述接近光传感器采集的。
29.一种电子设备,包括存储器、处理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,其特征在于,所述处理器执行所述计算机程序时,使得所述电子设备执行如权利要求1至14任一项所述的方法。
30.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,使得计算机执行如权利要求1至14任一项所述的方法。
31.一种计算机程序产品,其特征在于,包括计算机程序,当所述计算机程序被运行时,使得计算机执行如权利要求1至14任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743810.6A CN115530774B (zh) | 2021-06-30 | 2021-06-30 | 癫痫检测方法和装置 |
PCT/CN2022/092800 WO2023273640A1 (zh) | 2021-06-30 | 2022-05-13 | 癫痫检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110743810.6A CN115530774B (zh) | 2021-06-30 | 2021-06-30 | 癫痫检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115530774A true CN115530774A (zh) | 2022-12-30 |
CN115530774B CN115530774B (zh) | 2024-03-26 |
Family
ID=84690227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110743810.6A Active CN115530774B (zh) | 2021-06-30 | 2021-06-30 | 癫痫检测方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115530774B (zh) |
WO (1) | WO2023273640A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238485A (zh) * | 2023-11-14 | 2023-12-15 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于数据处理的智能管控系统 |
Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006134359A1 (en) * | 2005-06-15 | 2006-12-21 | Greater Glasgow Nhs Board | Seizure detection apparatus |
US20090062696A1 (en) * | 2007-05-18 | 2009-03-05 | Vaidhi Nathan | Abnormal motion detector and monitor |
CN101862193A (zh) * | 2010-05-27 | 2010-10-20 | 杭州尚想科技有限公司 | 一种基于加速度传感器的癫痫预警装置 |
WO2011149565A1 (en) * | 2010-05-28 | 2011-12-01 | Research Triangle Institute, International | Apparatus, system, and method for seizure symptom detection |
US20120083700A1 (en) * | 2010-10-01 | 2012-04-05 | Ivan Osorio | Detecting, quantifying, and/or classifying seizures using multimodal data |
WO2012051628A1 (en) * | 2010-10-15 | 2012-04-19 | Lgch, Inc. | Method and apparatus for detecting seizures |
CN102646319A (zh) * | 2012-04-13 | 2012-08-22 | 无锡先凯智能科技有限公司 | 生物体跌倒检测装置及方法 |
US20120310050A1 (en) * | 2010-10-01 | 2012-12-06 | Flint Hills Scientific, L.L.C. | Detecting, Assessing and Managing Epilepsy Using a Multi-Variate, Metric-Based Classification Analysis |
CN103417219A (zh) * | 2013-09-11 | 2013-12-04 | 重庆大学 | 穿戴式人体跌倒检测装置 |
US20140031635A1 (en) * | 2012-04-23 | 2014-01-30 | Cyberonics, Inc. | Methods, systems and apparatuses for detecting seizure and non-seizure states |
CN203552412U (zh) * | 2013-11-21 | 2014-04-16 | 燕山大学 | 一种便携式癫痫发作检测报警装置 |
US20140163413A1 (en) * | 2011-07-19 | 2014-06-12 | Ictalcare A/S | Method for Detecting Seizures |
US20140257047A1 (en) * | 2013-03-06 | 2014-09-11 | Karl A. Sillay | Patient permission-based mobile health-linked information collection and exchange systems and methods |
CN105225419A (zh) * | 2015-09-18 | 2016-01-06 | 深圳大学 | 跌倒检测方法、系统及基于该系统的跌倒自动报警器 |
CN105760861A (zh) * | 2016-03-29 | 2016-07-13 | 华东师范大学 | 一种基于深度数据的癫痫发作监控方法及系统 |
CN106539587A (zh) * | 2016-12-08 | 2017-03-29 | 浙江大学 | 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法 |
WO2017055275A2 (en) * | 2015-09-29 | 2017-04-06 | Koninklijke Philips N.V. | Method and apparatus for determining a pain threshold of a subject |
WO2017087680A1 (en) * | 2015-11-18 | 2017-05-26 | GraceFall, Inc. | Seizure detection and injury mitigation system and method for using same |
US20170188895A1 (en) * | 2014-03-12 | 2017-07-06 | Smart Monitor Corp | System and method of body motion analytics recognition and alerting |
CN107438401A (zh) * | 2015-03-31 | 2017-12-05 | 皇家飞利浦有限公司 | 用于偏头痛和/或癫痫症的自动预测和预防的系统和方法 |
US10198928B1 (en) * | 2017-12-29 | 2019-02-05 | Medhab, Llc. | Fall detection system |
CN109620249A (zh) * | 2019-02-14 | 2019-04-16 | 瑞尔脑康(北京)科技有限公司 | 癫痫发作的监测方法及装置 |
CN109620248A (zh) * | 2019-02-14 | 2019-04-16 | 瑞尔脑康(北京)科技有限公司 | 癫痫发作监测系统 |
CN109670527A (zh) * | 2018-11-13 | 2019-04-23 | 平安科技(深圳)有限公司 | 加速度识别方法、装置、计算机设备及存储介质 |
CN110477865A (zh) * | 2019-08-14 | 2019-11-22 | 深圳先进技术研究院 | 一种癫痫发作检测装置、终端设备及存储介质 |
CN111325946A (zh) * | 2020-01-19 | 2020-06-23 | 浙江理工大学 | 一种基于边缘计算的跌倒检测方法及系统 |
CN112220454A (zh) * | 2020-09-29 | 2021-01-15 | 黑龙江吉远健康科技有限公司 | 一种基于多生理信息融合的可穿戴式癫痫检测系统及其检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103462611A (zh) * | 2013-09-09 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 穿戴式的癫痫监测装置和系统 |
JP6538055B2 (ja) * | 2013-12-02 | 2019-07-03 | ブレイン センティネル インコーポレイテッドBrain Sentinel,Inc. | 発作検出システムにてデータの伝送を制御する方法 |
CN104771177B (zh) * | 2015-05-08 | 2017-05-10 | 重庆软汇科技股份有限公司 | 一种基于机器学习的跌倒检测系统及方法 |
CN110674743A (zh) * | 2019-09-24 | 2020-01-10 | 广州市康源图像智能研究院 | 一种基于三轴加速度数据摔倒检测方法 |
-
2021
- 2021-06-30 CN CN202110743810.6A patent/CN115530774B/zh active Active
-
2022
- 2022-05-13 WO PCT/CN2022/092800 patent/WO2023273640A1/zh unknown
Patent Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006134359A1 (en) * | 2005-06-15 | 2006-12-21 | Greater Glasgow Nhs Board | Seizure detection apparatus |
US20090062696A1 (en) * | 2007-05-18 | 2009-03-05 | Vaidhi Nathan | Abnormal motion detector and monitor |
US20150190085A1 (en) * | 2007-05-18 | 2015-07-09 | Smart Monitor Corp. | Abnormal motion detector and monitor |
CN101862193A (zh) * | 2010-05-27 | 2010-10-20 | 杭州尚想科技有限公司 | 一种基于加速度传感器的癫痫预警装置 |
WO2011149565A1 (en) * | 2010-05-28 | 2011-12-01 | Research Triangle Institute, International | Apparatus, system, and method for seizure symptom detection |
US20120083700A1 (en) * | 2010-10-01 | 2012-04-05 | Ivan Osorio | Detecting, quantifying, and/or classifying seizures using multimodal data |
US20120310050A1 (en) * | 2010-10-01 | 2012-12-06 | Flint Hills Scientific, L.L.C. | Detecting, Assessing and Managing Epilepsy Using a Multi-Variate, Metric-Based Classification Analysis |
WO2012051628A1 (en) * | 2010-10-15 | 2012-04-19 | Lgch, Inc. | Method and apparatus for detecting seizures |
US20140163413A1 (en) * | 2011-07-19 | 2014-06-12 | Ictalcare A/S | Method for Detecting Seizures |
CN102646319A (zh) * | 2012-04-13 | 2012-08-22 | 无锡先凯智能科技有限公司 | 生物体跌倒检测装置及方法 |
US20140031635A1 (en) * | 2012-04-23 | 2014-01-30 | Cyberonics, Inc. | Methods, systems and apparatuses for detecting seizure and non-seizure states |
US20140257047A1 (en) * | 2013-03-06 | 2014-09-11 | Karl A. Sillay | Patient permission-based mobile health-linked information collection and exchange systems and methods |
CN103417219A (zh) * | 2013-09-11 | 2013-12-04 | 重庆大学 | 穿戴式人体跌倒检测装置 |
CN203552412U (zh) * | 2013-11-21 | 2014-04-16 | 燕山大学 | 一种便携式癫痫发作检测报警装置 |
US20170188895A1 (en) * | 2014-03-12 | 2017-07-06 | Smart Monitor Corp | System and method of body motion analytics recognition and alerting |
CN107438401A (zh) * | 2015-03-31 | 2017-12-05 | 皇家飞利浦有限公司 | 用于偏头痛和/或癫痫症的自动预测和预防的系统和方法 |
CN105225419A (zh) * | 2015-09-18 | 2016-01-06 | 深圳大学 | 跌倒检测方法、系统及基于该系统的跌倒自动报警器 |
WO2017055275A2 (en) * | 2015-09-29 | 2017-04-06 | Koninklijke Philips N.V. | Method and apparatus for determining a pain threshold of a subject |
WO2017087680A1 (en) * | 2015-11-18 | 2017-05-26 | GraceFall, Inc. | Seizure detection and injury mitigation system and method for using same |
CN105760861A (zh) * | 2016-03-29 | 2016-07-13 | 华东师范大学 | 一种基于深度数据的癫痫发作监控方法及系统 |
CN106539587A (zh) * | 2016-12-08 | 2017-03-29 | 浙江大学 | 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法 |
US10198928B1 (en) * | 2017-12-29 | 2019-02-05 | Medhab, Llc. | Fall detection system |
CN109670527A (zh) * | 2018-11-13 | 2019-04-23 | 平安科技(深圳)有限公司 | 加速度识别方法、装置、计算机设备及存储介质 |
CN109620249A (zh) * | 2019-02-14 | 2019-04-16 | 瑞尔脑康(北京)科技有限公司 | 癫痫发作的监测方法及装置 |
CN109620248A (zh) * | 2019-02-14 | 2019-04-16 | 瑞尔脑康(北京)科技有限公司 | 癫痫发作监测系统 |
CN110477865A (zh) * | 2019-08-14 | 2019-11-22 | 深圳先进技术研究院 | 一种癫痫发作检测装置、终端设备及存储介质 |
CN111325946A (zh) * | 2020-01-19 | 2020-06-23 | 浙江理工大学 | 一种基于边缘计算的跌倒检测方法及系统 |
CN112220454A (zh) * | 2020-09-29 | 2021-01-15 | 黑龙江吉远健康科技有限公司 | 一种基于多生理信息融合的可穿戴式癫痫检测系统及其检测方法 |
Non-Patent Citations (1)
Title |
---|
魏进莲;黄丽华;: "癫痫发作预测研究进展", 护理与康复, no. 06, pages 45 - 48 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238485A (zh) * | 2023-11-14 | 2023-12-15 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于数据处理的智能管控系统 |
CN117238485B (zh) * | 2023-11-14 | 2024-01-30 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于数据处理的智能管控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115530774B (zh) | 2024-03-26 |
WO2023273640A1 (zh) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11006896B2 (en) | Food intake monitor | |
US10485471B2 (en) | System and method for identifying ictal states in a patient | |
US10912480B2 (en) | Sensor system and process for measuring electric activity of the brain, including electric field encephalography | |
US11020059B2 (en) | System and method for diagnosing and notification regarding the onset of a stroke | |
US8552871B2 (en) | Apparatus and method for sensing photoplethysmogram and fall | |
TWI610657B (zh) | 藉由心跳相關訊號評估個人心臟健康之穿戴式裝置及其訊號處理方法 | |
JP2011505891A (ja) | 失神を検知するための装置及び方法 | |
CN109152557A (zh) | 用于短暂性脑缺血发作的早期检测的系统和方法 | |
CN111544006B (zh) | 帕金森病人运动障碍量化及识别的可穿戴设备 | |
WO2023273640A1 (zh) | 癫痫检测方法和装置 | |
De Raeve et al. | Bluetooth‐Low‐Energy‐Based Fall Detection and Warning System for Elderly People in Nursing Homes | |
WO2021046342A1 (en) | Systems and methods for detecting sleep activity | |
CN113491508A (zh) | 电子设备及其房颤预警方法和介质 | |
WO2022232992A1 (en) | System and method for determining risk of stroke for person | |
Zhao et al. | The emerging wearable solutions in mHealth | |
CN116602644B (zh) | 血管信号采集系统、人体特征监测系统 | |
WO2024032084A1 (zh) | 佩戴检测方法和可穿戴设备 | |
US20230301523A1 (en) | Systems and apparatuses for physiological and psychological parameter monitoring from a subject's head and methods of use thereof | |
US10463260B1 (en) | Heart disease risk assessment | |
Sangeetha et al. | A Wearable System Design for Epileptic Seizure Detection | |
Biswas | Remote Healthcare Technology: A New Paradigm | |
De Raeve et al. | Research Article Bluetooth-Low-Energy-Based Fall Detection and Warning System for Elderly People in Nursing Homes | |
CN116602644A (zh) | 血管信号采集系统、人体特征监测系统 | |
KR20230035182A (ko) | 정신 건강 관리를 위한 전자 장치 및 이의 제어 방법 | |
Kańtoch | Patient Monitoring based on Mobile Sensor Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |