CN103892812A - 匹配度分析技术 - Google Patents
匹配度分析技术 Download PDFInfo
- Publication number
- CN103892812A CN103892812A CN201410061387.1A CN201410061387A CN103892812A CN 103892812 A CN103892812 A CN 103892812A CN 201410061387 A CN201410061387 A CN 201410061387A CN 103892812 A CN103892812 A CN 103892812A
- Authority
- CN
- China
- Prior art keywords
- rate
- matching degree
- rsa
- intensity
- heart rate
- 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
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种匹配度分析技术,所述的匹配度分析技术是对采用医疗或者调理方案的人员,运用多种生理指标相结合的方式来计算匹配度。首先采用心电监测仪采集ECG心电信号,然后通过分析呼吸透过胸腔起伏对心电图的影响和心跳受自主神经系统控制的关系,提取出呼吸信号;根据心率,呼吸率和副交感神经强度RSA计算得出整体匹配度评分;本发明所述的匹配度分析技术可为调理对象选择匹配度高的干预技术,确保干预效果的安全和优效;避免以往盲目选择干预技术进行干预引发的安全隐患和干预效果不确定的缺陷;同时准确性更高,避免了传统方法只通过一个信号来进行评测所产生的不确定和不稳定性。
Description
技术领域
本发明涉及个性化治疗或调理的信息处理手段领域,尤其涉及一种针对个性化医疗或调理的匹配度分析技术。
背景技术
匹配度测评分析技术是用于测评干预方法与被干预对象整体生理状态之间匹配关系及程度的科学、客观、量化、简便的技术方法。该技术属于前沿个性化治疗或个性化调理的新型测评技术。
迷走神经作为自主神经系统的副交感神经分支的重要组成部分,从潜意识层面上调节身体内部大多数器官的动态平衡(或休息状态),如心脏,肺,眼,肾上腺和消化道 [1]。迷走神经活动是连续的,慢性的,被动的 [2]。
迷走神经张力,特别是对心率的影响,代表了整个副交感神经系统的功能状态指数。心率通常由脑干中的多个中心来控制,其中一个中心是通过迷走神经来加强副交感神经系统输入心脏。迷走神经张力通过抑制心脏窦房结的放电速度来降低心率。心脏迷走神经张力已被视为调节情感和觉醒的生理基质 [3]。
然而,目前尚无法直接测量出迷走神经张力,只能通过测量其他生理过程来间接代表其功能。迷走神经张力加强将会使心率降低并使得心率变异性增加(即心跳之间的时间间隔变化更大)。目前所用的方法大都为测量心血管活动的静息状态下的心脏速率周期性变化,该方法称为“心率变异性(heart rate variability, HRV)”。目前已有很多HRV量化方法,但最常用于测量迷走神经张力的方法是高频HRV,即大约2.5秒至6.7秒之间的心率变异性。
事实上,呼吸性窦性心律不齐(Respiratory sinus arrhythmia,RSA)也是测量副交感神经系统活动的一种方法[4]。RSA是在一个呼吸周期中自然发生的心率变异,是由于在呼吸过程中,体内迷走神经与交感神经的张力产生转变,使窦房结自律性也因之产生周期性、规律性转变。吸气时交感神经张力增高,心率增快,呼气时迷走神经张力增高,心率变慢。心率快慢转变的周期恰即是一个呼吸周期,停止呼吸时心律转为规整。
在静息状态下的心电图中,可以观测到RSA为与呼吸同步的R-R间期的微妙变化。吸气时,R-R间期缩短,呼气时,R-R间期延长。打坐,冥想以及放松式的呼吸都可以暂时影响RSA [5]。儿童的RSA非常明显,并且RSA会随着年龄和老化逐渐减弱,但是拥有健康良好的心血管功能的成人(如经常耐力跑,游泳或骑自行车车的人)以及专业运动员,他们的迷走神经张力和RSA都比较明显。患有糖尿病和心血管疾病的人,其RSA会比常人更弱 [6]。
[1] Porges, Stephen W., Doussard-Roosevelt, Jane A., Maiti, Ajit K. (1994). Vagal tone and the physiological regulation of emotion. JSTOR 1166144.
[2] Heathers, J. (2006). "Introduction to vagal tone".
[3] Diamond, L. M., Fagundes, C. P., Butterworth, M. R. (2012). "Attachment style, vagal tone, and empathy during mother–adolescent interactions". Journal of Research on Adolescence22 (1): 165–184.
[4] Yasuma, F. & Hayano, J. (2004). Respiratory sinus arrhythmia: why does the heart beat synchronize with respiratory rhythm Chest, 125(2), 683-90.
[5] Peng, C-K., Henry, I. C., Mietus, J. E., Hausdorff, J. M., and Khalsa, G., Benson, H. and Goldberger, A. L. (2004). "Heart rate dynamics during three forms of meditation". International Journal of Cardiology 95 (1): 19–27.
[6] Yasuma F et al. (Feb 2004). "Respiratory sinus arrhythmia: why does the heartbeat synchronize with respiratory rhythm". Chest 125 (2): 683–90。
发明内容
针对上述存在的问题,本发明提供一种用于测评干预方法与被干预对象整体生理状态之间匹配关系及程度的匹配度分析技术。
为了达到上述目的,本发明采用的技术方案如下:一种匹配度分析技术,所述的匹配度分析技术是对采用医疗或者调理方案的人员,首先采用心电监测仪采集ECG心电信号,然后通过分析呼吸透过胸腔起伏对心电图的影响和心跳受自主神经系统控制的关系,提取出呼吸信号;根据心率,呼吸率和副交感神经强度RSA计算得出整体匹配度评分。
本发明所述的心率:由心电信号检测仪采集心电信号ECG或其他可以计算或推导出心率的仪器或方法测量得到;用于评测分析调理对象在接受特定干预方法或技术过程中心率是否会下降;心率下降表明干预效果良好。
本发明所述的呼吸率:由EDR技术从ECG信号中获取呼吸信号,或者其他可以测量或者推导出呼吸的方法计算呼吸率;用于评测分析调理对象在接受特定干预方法或技术过程中呼吸率是否会下降;呼吸率下降表明干预效果良好。
有若干种方法可以从心电信号提取呼吸信号,本发明所述的EDR技术为:是根据ECG信号得到呼吸信号的方法(ECG-derived Respiration,EDR);这种方法是根据随着呼吸运动,胸腔表面的ECG电极相对心脏的位置发生变化,并且胸腔电阻抗也随着肺部充盈与否发生变化。因此,如果能够准确地测量心电信号,就可以获得相应的呼吸信号,而且,这种方法对于人群要求较为宽松,即使是在心力衰竭患者(RSA现象消失,因此不能利用RSA方法测量该人群中呼吸信号)中也可以测得呼吸信号。
本发明副交感神经强度:由RSA强度间接测量。RSA强度是通过呼吸率从心电信号中获得。利用经验模态分解技术,从心电信号中提取出与受呼吸影响的心跳的模态,计算该模态的能量即为RSA强度;RSA强度升高表明干预效果良好,该技术比传统上只计算高频心率变异性的结果更客观,更准确。
本发明所述的匹配度评分:人体在放松状态下,副交感神经旺盛,心率和呼吸变慢,且维持在平稳状态;匹配度整体评分是将心率下降的程度,呼吸变慢的程度和RSA强度的升高程度按照一定比例结合在一起而得到的指标。
本发明所述所述匹配度分析技术的操作步骤如下:
1)利用心电监测仪采集心电信号ECG;
2)从心电信号ECG信号中提取出相邻心跳之间的时间间隔信号,重新采样;
3)利用重新采样的得到的相邻心跳之间的时间间隔信号,利用滑动窗口计算方法计算出平均心率;
4)利用EDR技术,从ECG心电信号中提取出带有噪声的呼吸信号,然后对其进行重新采样;
5)应用经验模态分解技术EMD对重新采样的呼吸信号进行分解,从中提取出呼吸信号;
6)利用滑动窗口计算方法,从提取出的呼吸信号中计算出平均呼吸率;
7)应用经验模态分解技术EMD对重新采样的呼吸信号进行分解,得到一系列经验模态函数,根据每分钟的呼吸频率,从前三个模态函数中提取出受呼吸影响的心跳的模态,得到RSA相关的模态;
8)通过RSA相关模态的包络线,利用滑动窗口计算方法,计算得出RSA的强度;
9)通过平均心率、平均呼吸率和RSA的强度计算出整合干预过程中的心率下降率,呼吸下降率和RSA强度的提高量,通过心率下降率,呼吸下降率和RSA强度的提高量来计算匹配度评分;所述的匹配度评分=心率下降率*0.4+呼吸变慢率*0.4+RSA强度的升高率*0.2)*100,匹配度评分的变化范围为0-100。
本发明所述的具体操作方法如下:
1)利用心电监测仪采集心电信号ECG,信号采集的时间包括医疗或者调理前10-30分钟、医疗或者调理期间,以及医疗或者调理后10-30分钟;
2)从ECG信号中提取出RR间期信号,即相邻心跳之间的时间间隔信号序列,然后对其进行重新采样,重新采样频率为4Hz;
3)利用RR间期,计算出心率,计算公式为心率=60/RR间期,然后利用10分钟的滑动窗口,每滑动30秒计算10分钟滑动窗口内的平均心率;
本发明所述的10分钟的滑动窗口是指一次计算10分钟内所有测定数据的平均值,然后每隔30秒计算一次10分钟内滑动测得数据的平均值,将此平均值作为10分钟的取值范围内时间中点的实际结果数据值;例如:从开始算就是计算0到10分钟的数据,然后滑动30秒即计算30秒到10分30秒的数据,计算的平均值作为5分30秒时的结果数据值;接着计算1分钟到11分钟的数据,计算的平均值作为6分钟时的结果数据值……
4)利用EDR技术,从ECG信号中提取出带有噪声的呼吸信号,然后对其进行重新采样,重新采样频率为4Hz;
5)应用经验模态分解技术EMD对重新采样为4Hz的带有噪声的呼吸信号进行分解,得到一系列经验模态函数,根据能量分布,从前三个模态函数中提取出呼吸信号;
本发明所述的经验模态分解技术EMD为专利号US 5983162专利名称为 Computer implemented empirical Mode Decomposition Method ,Apparatus and Article of Manufacture的技术;
6)利用10分钟的滑动窗口,每滑动30秒计算10分钟滑动窗口内的平均呼吸率;
7)应用EMD对重新采样为4Hz的RR间期信号进行分解,得到一系列经验模态函数,根据每分钟的呼吸频率,从前三个模态函数中提取出受呼吸影响的心跳的模态,即为RSA相关的模态;
8)通过RSA相关模态的包络线计算RSA的强度,利用10分钟的滑动窗口,每滑动30秒计算10分钟滑动窗口内的包络线的平均值,即为RSA强度;
9)通过平均心率、平均呼吸率和RSA的强度计算出整合干预过程中的心率下降率,呼吸下降率和RSA强度的提高量,通过心率下降率,呼吸下降率和RSA强度的提高量来计算匹配度评分。
本发明所述的心率下降率为干预或调理过程中心率的最低值midHR与干预或调理开始时的心率值begHR的比值;所述的心率下降率=1-(midHR/begHR-0.8)/0.2 ,心率下降率的变化范围为0-1。
本发明所述的呼吸下降率为干预或调理过程中呼吸的最慢值midBR与干预或调理开始时的呼吸率begBR的比值,所述的呼吸变慢率=1-(midBR/begBR-0.7)/0.3 ,呼吸变慢率的变化范围为0-1。
本发明所述的RSA强度的升高率定义为干预或调理过程中RSA强度的最高值midRSA与干预或调理开始时的RSA强度begRSA的比值;所述的RSA强度的升高率=(midRSA/begRSA-1)/0.6, RSA强度的升高率的变化范围为0-1。
本发明所述的匹配结果:所述匹配度评分为80-100时,则该医疗或者调理方案的干预效果高,所述匹配度评分为60-80时,则该医疗或者调理方案的干预效果良好,所述匹配度评分为0-60时,则该医疗或者调理方案的干预效果较差。
当匹配度大于80的时候,调理人员的心率下降率较大,呼吸下降率较大,且RSA强度是升高率大,在调理人员在采用该种调理方案时,副交感神经旺盛,心率和呼吸明显变缓,且维持在平稳状态;当匹配度处于60-80的时候,在调理人员在采用该种调理方案时,副交感神经出现范围性波动,心率和呼吸变缓,且维持在平稳状态;当匹配度小于60的时候,调理人员的心率下降率较小,呼吸下降率较小,且RSA强度是升高率小,在调理人员在采用该种调理方案时,副交感神经波动较小,心率和呼吸没有出现明显的变缓,整体的变化效果不大。
本发明所述的匹配度分析技术用于测评干预方法与被干预对象整体生理状态之间匹配关系及程度的科学、客观、量化、简便的技术方法;该技术属于前沿个性化治疗或个性化调理的新型测评技术。通过匹配度测评,可为调理对象选择匹配度高的干预技术,确保干预效果的安全和优效。避免以往盲目选择干预技术进行干预引发的安全隐患和干预效果不确定的缺陷。
传统测量副交感神经强度的方法为高频HRV,一方面,该方法基于傅里叶分析理论,其前提是假设信号是平稳的,但是心电信号是高度非线性非平稳的;另一方面,该方法只用了一个生理参数即心电信号来测量副交感神经强度,而本发明所述的匹配度分析技术是结合心电和呼吸一起对干预技术进行评测,准确度更高。
本发明所述的匹配度分析技术可为调理对象选择匹配度高的干预技术,确保干预效果的安全和优效;避免以往盲目选择干预技术进行干预引发的安全隐患和干预效果不确定的缺陷;同时准确性更高,避免了传统方法只通过一个信号来进行评测所产生的的不确定和不稳定性。
附图说明
图1为本发明工作原理流程图;
图2为实施例2中心率检测结果示意图;
图3为实施例2中呼吸率检测结果示意图;
图4为实施例2中副交感神经强度结果示意图;
图5为实施例3中心率检测结果示意图;
图6为实施例3中呼吸率检测结果示意图;
图7为实施例3中副交感神经强度结果示意图;
图8为实施例4中心率检测结果示意图;
图9为实施例4中呼吸率检测结果示意图;
图10为实施例4中副交感神经强度结果示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细的描述。
实施例1:如图1所示的一种匹配度分析技术,所述的匹配度分析技术是对采用医疗或者调理方案的人员,首先采用心电监测仪采集ECG心电信号,然后通过分析呼吸透过胸腔起伏对心电图的影响和心跳受自主神经系统控制的关系,提取出呼吸信号;根据心率,呼吸率和副交感神经强度RSA计算得出整体匹配度评分。
1)利用心电监测仪采集心电信号ECG,信号采集的时间包括医疗或者调理前10-30分钟、医疗或者调理期间,以及医疗或者调理后10-30分钟;
2)从ECG信号中提取出RR间期信号,即相邻心跳之间的时间间隔信号序列,然后对其进行重新采样,重新采样频率为4Hz;
3)利用RR间期,计算出心率,计算公式为心率=60/RR间期,然后利用10分钟的滑动窗口,每滑动30秒计算10分钟滑动窗口内的平均心率;
4)利用EDR技术,从ECG信号中提取出带有噪声的呼吸信号,然后对其进行重新采样,重新采样频率为4Hz;
5)应用经验模态分解技术EMD对重新采样为4Hz的带有噪声的呼吸信号进行分解,得到一系列经验模态函数,根据能量分布,从前三个模态函数中提取出呼吸信号;
6)利用10分钟的滑动窗口,每滑动30秒计算10分钟滑动窗口内的平均呼吸率;
7)应用EMD对重新采样为4Hz的RR间期信号进行分解,得到一系列经验模态函数,根据每分钟的呼吸频率,从前三个模态函数中提取出受呼吸影响的心跳的模态,即为RSA相关的模态;
8)通过RSA相关模态的包络线计算RSA的强度,利用10分钟的滑动窗口,每滑动30秒计算10分钟滑动窗口内的包络线的平均值,即为RSA强度;
9)通过平均心率、平均呼吸率和RSA的强度计算出整合干预过程中的心率下降率,呼吸下降率和RSA强度的提高量;本发明所述的所述的心率下降率为干预或调理过程中心率的最低值midHR与干预或调理开始时的心率值begHR的比值;所述的心率下降率=1-(midHR/begHR-0.8)/0.2 ,心率下降率的变化范围为0-1;本发明所述的呼吸下降率为干预或调理过程中呼吸的最慢值midBR与干预或调理开始时的呼吸率begBR的比值,所述的呼吸变慢率=1-(midBR/begBR-0.7)/0.3 ,呼吸变慢率的变化范围为0-1;本发明所述的RSA强度的升高率定义为干预或调理过程中RSA强度的最高值midRSA与干预或调理开始时的RSA强度begRSA的比值;所述的RSA强度的升高率=(midRSA/begRSA-1)/0.6, RSA强度的升高率的变化范围为0-1;
10)通过心率下降率,呼吸下降率和RSA强度的提高量来计算匹配度评分;本发明所述的匹配度评分=心率下降率*0.4+呼吸变慢率*0.4+RSA强度的升高率*0.2)*100,匹配度评分的变化范围为0-100。
实施例2:对案例个人A采样音乐调理,通过心电记录仪记录心电信号,记录时间为15:44:08到16:48:55。调理开始时间是16:00:00,结束时间16:30:00,对于采集到的心电数据进行计算,其中心率检测结果如图2所示,呼吸率检测结果如图3所示,副交感神经强度结果如图4所示,根据测得的心率、呼吸率和副交感神经强度,测得音乐调理对于案例个人A的匹配度如下表所示:
由表中可以看出,音乐调理对于案例个人A的匹配度为95大于80,音乐调理对于案例个人A的干预效果高,分析得出,音乐调理适合用于案例个人A的调理工作。
实施例3:对案例个人B采用推拿调理,通过心电记录仪记录心电信号,记录时间15:20:08到16:40:00。调理开始时间是15:45:00,结束时间16:15:00;对于采集到的心电数据进行计算,其中心率检测结果如图5所示,呼吸率检测结果如图6所示,副交感神经强度结果如图7所示,根据测得的心率、呼吸率和副交感神经强度,测得推拿调理对于案例个人B的匹配度如下表所示:
由上表可以看出,推拿调理对于案例个人B的匹配度为43小于60,因此,推拿调理对于案例个人的干预效果较低,分析得出,推拿调理不适合与案例个人B的调理工作。
实施例4:对案例个人C采用针灸调理,通过心电记录仪记录心电信号,记录时间15:43:21到17:18:38。调理开始时间是16:05:00,结束时间16:50:00;对于采集到的心电数据进行计算,其中心率检测结果如图8所示,呼吸率检测结果如图9所示,副交感神经强度结果如图10所示,根据测得的心率、呼吸率和副交感神经强度,测得针灸调理对于案例个人C的匹配度如下表所示
由表中可以看出,针灸调理对于案例个人A的匹配度为99大于80,针灸乐调理对于案例个人A的干预效果高,分析得出,针灸调理适合用于案例个人A的调理工作。
需要说明的是,上述仅仅是本发明的较佳实施例,并非用来限定本发明的保护范围,在上述实施例的基础上所作出的等同变换均属于本发明的保护范围。
Claims (7)
1.一种匹配度分析技术,其特征在于,所述的匹配度分析技术是对采用医疗或者调理方案的人员,运用多种生理指标相结合的方式来计算匹配度;首先采用心电监测仪采集ECG心电信号,然后通过分析呼吸透过胸腔起伏对心电图的影响和心跳受自主神经系统控制的关系,提取出呼吸信号;根据心率,呼吸率和副交感神经强度RSA计算得出整体匹配度评分;所述匹配度分析技术的操作步骤如下:
1)利用心电监测仪采集心电信号ECG;
2)从心电信号ECG信号中提取出相邻心跳之间的时间间隔信号,重新采样;
3)利用重新采样的得到的相邻心跳之间的时间间隔信号,利用滑动窗口计算方法计算出平均心率;
4)利用EDR技术,从ECG心电信号中提取出带有噪声的呼吸信号,然后对其进行重新采样;
5)应用经验模态分解技术EMD对重新采样的呼吸信号进行分解,从中提取出呼吸信号;
6)利用滑动窗口计算方法,从提取出的呼吸信号中计算出平均呼吸率;
7)应用经验模态分解技术EMD对重新采样的呼吸信号进行分解,得到一系列经验模态函数,根据每分钟的呼吸频率,从前三个模态函数中提取出受呼吸影响的心跳的模态,得到RSA相关的模态;
8)通过RSA相关模态的包络线,利用滑动窗口计算方法,计算得出RSA的强度;
9)通过平均心率、平均呼吸率和RSA的强度计算出整合干预过程中的心率下降率,呼吸下降率和RSA强度的提高量,通过心率下降率,呼吸下降率和RSA强度的提高量来计算匹配度评分;所述的匹配度评分=心率下降率*0.4+呼吸变慢率*0.4+RSA强度的升高率*0.2)*100,匹配度评分的变化范围为0-100。
2.根据权利要求1所述的匹配度分析技术,其特征在于,所述匹配度分析技术的具体操作方法如下:
1)利用心电监测仪采集心电信号ECG,信号采集的时间包括医疗或者调理前10-30分钟、医疗或者调理期间,以及医疗或者调理后10-30分钟;
2)从ECG信号中提取出RR间期信号,即相邻心跳之间的时间间隔信号序列,然后对其进行重新采样,重新采样频率为4Hz;
3)利用RR间期,计算出心率,计算公式为心率=60/RR间期,然后利用10分钟的滑动窗口计算方法,每滑动30秒计算出10分钟滑动窗口内的平均心率;
4)利用EDR技术,从ECG信号中提取出带有噪声的呼吸信号,然后对其进行重新采样,重新采样频率为4Hz;
5)应用经验模态分解技术EMD对重新采样为4Hz的带有噪声的呼吸信号进行分解,得到一系列经验模态函数,根据能量分布,从前三个模态函数中提取出呼吸信号;
6)利用10分钟的滑动窗口计算方法,每滑动30秒计算10分钟滑动窗口内的平均呼吸率;
7)应用EMD对重新采样为4Hz的RR间期信号进行分解,得到一系列经验模态函数,根据每分钟的呼吸频率,从前三个模态函数中提取出受呼吸影响的心跳的模态,即为RSA相关的模态;
8)通过RSA相关模态的包络线计算RSA的强度,利用10分钟的滑动窗口计算方法,每滑动30秒计算10分钟滑动窗口内的包络线的平均值,即为RSA强度;
9)通过平均心率、平均呼吸率和RSA的强度计算出整合干预过程中的心率下降率,呼吸下降率和RSA强度的提高量,通过心率下降率,呼吸下降率和RSA强度的提高量来计算匹配度评分。
3.根据权利要求2所述的匹配度分析技术,其特征在于,所述的10分钟的滑动窗口计算方法指的是:是指一次计算10分钟内所有测定数据的平均值, 然后每隔30秒计算一次10分钟内滑动测得数据的平均值,将此平均值作为10分钟的取值范围内时间中点的实际结果数据值。
4.根据权利要求1或2所述的匹配度分析技术,其特征在于,所述的心率下降率为干预或调理过程中心率的最低值midHR与干预或调理开始时的心率值begHR的比值;所述的心率下降率=1-(midHR/begHR-0.8)/0.2 ,心率下降率的变化范围为0-1。
5.根据权利要求1或2所述的匹配度分析技术,其特征在于,所述的呼吸下降率为干预或调理过程中呼吸的最慢值midBR与干预或调理开始时的呼吸率begBR的比值,所述的呼吸变慢率=1-(midBR/begBR-0.7)/0.3 ,呼吸变慢率的变化范围为0-1。
6.根据权利要求1或2所述的匹配度分析技术,其特征在于,所述的RSA强度的升高率定义为干预或调理过程中RSA强度的最高值midRSA与干预或调理开始时的RSA强度begRSA的比值;所述的RSA强度的升高率=(midRSA/begRSA-1)/0.6, RSA强度的升高率的变化范围为0-1。
7.根据权利要求1述的匹配度分析技术,其特征在于,所述匹配度评分为80-100时,则该医疗或者调理方案的干预效果高,所述匹配度评分为60-80时,则该医疗或者调理方案的干预效果良好,所述匹配度评分为0-60时,则该医疗或者调理方案的干预效果较差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410061387.1A CN103892812B (zh) | 2014-02-24 | 2014-02-24 | 匹配度分析技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410061387.1A CN103892812B (zh) | 2014-02-24 | 2014-02-24 | 匹配度分析技术 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103892812A true CN103892812A (zh) | 2014-07-02 |
CN103892812B CN103892812B (zh) | 2016-02-10 |
Family
ID=50984630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410061387.1A Active CN103892812B (zh) | 2014-02-24 | 2014-02-24 | 匹配度分析技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103892812B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105147277A (zh) * | 2015-09-25 | 2015-12-16 | 南京丰生永康软件科技有限责任公司 | 基于时辰的人体整体生理功能指数分析方法 |
CN105982664A (zh) * | 2015-02-26 | 2016-10-05 | 张政波 | 基于单导联ecg的心肺耦合分析方法 |
CN107595242A (zh) * | 2017-07-26 | 2018-01-19 | 来邦科技股份公司 | 一种睡眠生理信号监测方法、装置、电子设备和存储介质 |
CN108882883A (zh) * | 2015-12-09 | 2018-11-23 | 安萨尔集团有限公司 | 对副交感自主神经系统和交感自主神经系统的同时和独立活动进行测量、相关和分析的方法和系统 |
CN109044335A (zh) * | 2018-07-17 | 2018-12-21 | 西安交通大学 | 一种基于瞬时声音刺激的心脏功能评价方法 |
CN109171685A (zh) * | 2018-09-20 | 2019-01-11 | 芯海科技(深圳)股份有限公司 | 模拟人体生理信号的方法、设备及存储介质 |
CN110799096A (zh) * | 2017-06-20 | 2020-02-14 | 通用电气公司 | 非接触式心率监测 |
CN116725549A (zh) * | 2023-08-14 | 2023-09-12 | 毕胜普生物科技有限公司 | 心电数据分析方法、装置、计算机设备与存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1803085A (zh) * | 2005-01-14 | 2006-07-19 | 费兆馥 | 人体亚健康状态的测评方法及其检测装置 |
CN101342407A (zh) * | 2007-07-10 | 2009-01-14 | 叶学强 | 一种个性化治疗仪器 |
US7529579B2 (en) * | 2004-07-09 | 2009-05-05 | Ansar, Inc. | Methods for real-time autonomic nervous system monitoring using total heart rate variability, and notched windowing |
JP2010035896A (ja) * | 2008-08-07 | 2010-02-18 | Crosswell:Kk | 自律神経機能診断装置およびプログラム |
CN101658425A (zh) * | 2009-09-11 | 2010-03-03 | 西安电子科技大学 | 基于心率变异分析的注意力集中程度的检测装置及方法 |
TW201036592A (en) * | 2009-04-15 | 2010-10-16 | Univ Nat Yang Ming | A method and system of auditory evoked heart rate variability analysis |
US20110137188A1 (en) * | 2009-12-03 | 2011-06-09 | National Yang-Ming University | Sleep assistant system |
-
2014
- 2014-02-24 CN CN201410061387.1A patent/CN103892812B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7529579B2 (en) * | 2004-07-09 | 2009-05-05 | Ansar, Inc. | Methods for real-time autonomic nervous system monitoring using total heart rate variability, and notched windowing |
CN1803085A (zh) * | 2005-01-14 | 2006-07-19 | 费兆馥 | 人体亚健康状态的测评方法及其检测装置 |
CN101342407A (zh) * | 2007-07-10 | 2009-01-14 | 叶学强 | 一种个性化治疗仪器 |
JP2010035896A (ja) * | 2008-08-07 | 2010-02-18 | Crosswell:Kk | 自律神経機能診断装置およびプログラム |
TW201036592A (en) * | 2009-04-15 | 2010-10-16 | Univ Nat Yang Ming | A method and system of auditory evoked heart rate variability analysis |
CN101658425A (zh) * | 2009-09-11 | 2010-03-03 | 西安电子科技大学 | 基于心率变异分析的注意力集中程度的检测装置及方法 |
US20110137188A1 (en) * | 2009-12-03 | 2011-06-09 | National Yang-Ming University | Sleep assistant system |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105982664A (zh) * | 2015-02-26 | 2016-10-05 | 张政波 | 基于单导联ecg的心肺耦合分析方法 |
CN105982664B (zh) * | 2015-02-26 | 2018-08-07 | 张政波 | 基于单导联ecg的心肺耦合分析方法 |
CN105147277A (zh) * | 2015-09-25 | 2015-12-16 | 南京丰生永康软件科技有限责任公司 | 基于时辰的人体整体生理功能指数分析方法 |
CN108882883A (zh) * | 2015-12-09 | 2018-11-23 | 安萨尔集团有限公司 | 对副交感自主神经系统和交感自主神经系统的同时和独立活动进行测量、相关和分析的方法和系统 |
CN110799096B (zh) * | 2017-06-20 | 2022-08-02 | 通用电气公司 | 非接触式心率监测 |
CN110799096A (zh) * | 2017-06-20 | 2020-02-14 | 通用电气公司 | 非接触式心率监测 |
CN107595242A (zh) * | 2017-07-26 | 2018-01-19 | 来邦科技股份公司 | 一种睡眠生理信号监测方法、装置、电子设备和存储介质 |
CN109044335A (zh) * | 2018-07-17 | 2018-12-21 | 西安交通大学 | 一种基于瞬时声音刺激的心脏功能评价方法 |
CN109044335B (zh) * | 2018-07-17 | 2020-11-10 | 西安交通大学 | 一种基于瞬时声音刺激的心脏功能评价方法 |
CN109171685A (zh) * | 2018-09-20 | 2019-01-11 | 芯海科技(深圳)股份有限公司 | 模拟人体生理信号的方法、设备及存储介质 |
CN109171685B (zh) * | 2018-09-20 | 2021-10-08 | 芯海科技(深圳)股份有限公司 | 模拟人体生理信号的方法、设备及存储介质 |
CN116725549A (zh) * | 2023-08-14 | 2023-09-12 | 毕胜普生物科技有限公司 | 心电数据分析方法、装置、计算机设备与存储介质 |
CN116725549B (zh) * | 2023-08-14 | 2023-11-24 | 毕胜普生物科技有限公司 | 心电数据分析方法、装置、计算机设备与存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103892812B (zh) | 2016-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103892812B (zh) | 匹配度分析技术 | |
Clifford et al. | ECG statistics, noise, artifacts, and missing data | |
KR101656611B1 (ko) | 무구속적으로 측정한 생체신호를 이용하여 산소탈포화지수를 획득하는 방법 | |
CN104127193B (zh) | 一种抑郁症程度量化的评估系统及其评估方法 | |
Gaiduk et al. | Automatic sleep stages classification using respiratory, heart rate and movement signals | |
TWI556796B (zh) | 利用心電訊號估計麻醉深度的方法與裝置 | |
US11075009B2 (en) | System and method for sympathetic and parasympathetic activity monitoring by heartbeat | |
Benchekroun et al. | Comparison of Stress Detection through ECG and PPG signals using a Random Forest-based Algorithm | |
CN106108845B (zh) | 一种确定睡眠阶段的方法和装置 | |
CN106108844B (zh) | 一种确定睡眠阶段的方法和装置 | |
WO2016057806A1 (en) | Weaning readiness indicator, sleeping status recording device, and air providing system applying nonlinear time-frequency analysis | |
Kobayashi et al. | Development of a mental disorder screening system using support vector machine for classification of heart rate variability measured from single-lead electrocardiography | |
Wang et al. | A novel rapid assessment of mental stress by using PPG signals based on deep learning | |
Motin et al. | PPG derived respiratory rate estimation in daily living conditions | |
Chou et al. | Comparison between heart rate variability and pulse rate variability for bradycardia and tachycardia subjects | |
Garde et al. | Time-varying signal analysis to detect high-altitude periodic breathing in climbers ascending to extreme altitude | |
Pirbhulal et al. | Analysis of efficient biometric index using heart rate variability for remote monitoring of obstructive sleep apnea | |
Bicen et al. | Improved pre-ejection period estimation from ballistocardiogram and electrocardiogram signals by fusing multiple timing interval features | |
CN104856673A (zh) | 利用心电信号估计麻醉深度的方法与装置 | |
Dong et al. | An integrated framework for evaluation on typical ECG-derived respiration waveform extraction and respiration | |
Farhan et al. | Linear analysis of ECG data variability to assess the autonomic nervous system in two different body positions | |
Zanon et al. | A quality metric for heart rate variability from photoplethysmogram sensor data | |
Bashi et al. | Diagnosis of obstructive apnea disease AHI in chemical warfare veterans based on HRV signals analysis using the ANFIS neural network | |
Lee et al. | Monitoring obstructive sleep apnea with electrocardiography and 3-axis acceleration sensor | |
Czopek | Evaluation of breathing dynamics using the correlation of acoustic and ECG signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |