CN104093353B - 信息处理装置以及代表波形生成方法 - Google Patents
信息处理装置以及代表波形生成方法 Download PDFInfo
- Publication number
- CN104093353B CN104093353B CN201280068842.XA CN201280068842A CN104093353B CN 104093353 B CN104093353 B CN 104093353B CN 201280068842 A CN201280068842 A CN 201280068842A CN 104093353 B CN104093353 B CN 104093353B
- Authority
- CN
- China
- Prior art keywords
- waveform
- action
- interval
- heart rate
- predetermined distance
- 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.)
- Expired - Fee Related
Links
Classifications
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- 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
- A61B5/1118—Determining activity level
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
便携式终端(1)设置为具有:心电信号分割部(142),其将身体信号分割出具有规定间隔的波形;R-R间隔计算部(144),其针对由心电信号分割部分割出的每个具有规定间隔的波形,计算多个表示相邻的R波与R波之间的间隔的R-R间隔,并计算所计算出的多个R-R间隔的平均值;候补波形选择部(145),其利用由R-R间隔计算部针对每个具有规定间隔的波形计算出的R-R间隔的平均值,选择多个与平均值的频度呈现出极大值的附近的平均值对应的具有规定间隔的波形,因此,能够生成精度高的代表波形数据。
Description
技术领域
本发明涉及信息处理装置等。
背景技术
近年来,提出有利用能够装戴于身体的简易传感器来经常监视身体信号的结构。但是,上述的结构因装戴在身体上的电极个数较少、或者简化了信号处理电路等的理由,而容易受到噪声的影响。因此,寻求用于减少噪声的影响,获取高精度的身体信号的方法。
例如,作为一个方法,公开了如下技术,即,针对每个心率区间检测R波,并且计算表示从各R波到其下一个R波为止的间隔的R-R间隔,其中,心率区间是指,根据表示周期性波动的心电图波形数据,推断为一个心率的区间。然后,基于各R-R间隔,生成通过使波形数据叠加并进行加权平均而得到的一个心率的波形数据,并且,通过使汗宁窗(Hanning Window)等窗函数乘以已生成的波形数据来生成代表波形数据。然后,对已生成的代表波形数据与心电图形波形数据进行互相关处理,根据进行了互相关处理之后的数据,来计算R-R间隔,基于R-R间隔,能够计算出心跳数。
另外,作为另一种方法,公开有如下的技术,即,取得基于用户的心率的身体信息,在用户的身体动作结束后,基于身体信息,生成用作模板(template)的一次心跳的波形数据。在此,选择多个一次心跳的波形数据中的最初的波形数据来作为比较对象,针对其他的波形数据计算相似性,生成平均波形数据,来作为模板,其中,平均波形数据是指,在相似性高的波形彼此之间通过加法平均运算而获得的波形数据。然后,计算出已生成的模板与身体信息的波形数据的相关系数,根据相关系数,确定每一次心跳时间内的峰值,并基于峰值的时间间隔来计算心率。
现有技术文献
专利文献
专利文献1:日本特开2004-89314号公报
专利文献2:日本特开2005-27944号公报
专利文献3:日本特开2006-271731号公报
专利文献4:日本特开2006-262973号公报
发明内容
发明要解决的问题
然而,在现有的技术中,存在无法生成精度高的代表波形数据的问题。即,在一个方法中,对各波形数据进行加权平均处理来生成代表波形数据,但用于加权平均处理的各波形数据是随机进行选择的。其结果为,在一个方法中,无法生成精度高的代表波形数据。另外,在另一个方法中,通过在相似性高的波形彼此之间进行加法平均运算,来生成相当于代表波形数据的模板,但用于加法平均运算的各波形数据也是随机进行选择的。其结果为,在另一个方法中,也无法生成精度高的代表波形数据。
公开的技术的目的在于,能够生成精度高的代表波形数据。
用于解决问题的手段
本申请公开的装置,在一个方案中,具有:信号分割部,其将身体信号分割出具有规定间隔的波形;计算部,其针对由所述信号分割部分割出的每个具有规定间隔的波形,计算多个表示相邻波形之间的间隔的波形间隔,并计算所计算出的多个波形间隔的平均值;波形选择部,其利用由所述计算部针对每个具有规定间隔的波形计算出的波形间隔的平均值,选择多个与平均值的频度呈现出极大值的附近的平均值对应的具有规定间隔的波形。
发明的效果
根据本申请公开的信息处理装置的一个方案,能够生成精度高的代表波形数据。
附图说明
图1是表示实施例1的便携式终端的结构的功能框图。
图2是表示以一分钟间隔分割心率波形的例子的图。
图3A是说明在步行后就座的情况下的时间常数与稳定区间的关系的图。
图3B是说明在跑步后就座的情况下的时间常数与稳定区间的关系的图。
图3C是说明在步行后就座的情况下的时间常数与稳定区间的关系的图。
图4是表示利用数字高通滤波器对心电信号进行处理后的波形的一个例子的图。
图5A是表示在行动为睡眠的情况下的R-R间隔的柱状图(Histogram)的例子的图。
图5B是表示在行动为就座的情况下的R-R间隔的柱状图的例子的图。
图5C是表示在行动为步行的情况下的R-R间隔的柱状图的例子的图。
图6是表示截取单位为一个周期的波形的例子的图。
图7A是表示在跑步后就座的情况下的R-R间隔的变化的图。
图7B是表示在从过渡区间中提取一分钟心率波形的情况下的R-R间隔的柱状图的例子的图。
图7C是表示在从稳定区间中提取一分钟心率波形的情况下的R-R间隔的柱状图的例子的图。
图8是表示在随机选择候补波形的情况下的图。
图9是表示通过候补波形选择处理部140的处理选择了候补波形的情况的图。
图10是表示实施例1的代表波形生成处理的流程的图。
图11是表示实施例2的便携式终端的结构的功能框图。
图12是表示在对多个一分钟心率波形应用独立成分分析(ICA)的情况下的概念图。
图13是表示在对应用了ICA后的心率波形应用高速傅立叶变换的情况下的结果例的图。
图14是表示执行代表波形生成程序的计算机的一个例子的图。
具体实施方式
以下,基于附图,对本申请公开的信息处理装置、代表波形生成方法以及代表波形生成程序的实施例进行详细的说明。此外,本发明不限定于实施例。各实施例能够在不使处理内容矛盾的范围内适当地组合。以下,对将身体信号设为心电信号且将信息处理装置设为便携式终端来应用本发明的情况进行说明。
实施例1
[实施例1的便携式终端的结构]
图1是表示实施例1的便携式终端的结构的功能框图。如图1所示,便携式终端1具有:加速度传感器11、心电传感器12、存储部13以及控制部14。便携式终端1是能够装戴于身体的装置,例如以移动计算机、手机等为一个例子。
加速度传感器11是检测正交的3个轴方向的加速度的传感器。加速度传感器11例如用于分析装戴有便携式终端1的用户的行动。此外,为了更详细地分析用户的行动,不仅限定于加速度传感器11,除了加速度传感器11以外,也可以组合用于检测角速度的陀螺传感器、检测地磁的地磁传感器、检测用户的当前位置(纬度、经度)的GPS(全球定位系统)传感器。
心电传感器12是检测心电信号的传感器。心电传感器12检测出心脏电激动,来作为心电信号。心脏电激动是电压为数毫伏(mV)、频率为0.1~200赫兹(Hz)、电阻为1~20千欧(kΩ)的生物电现象。通常,使用电路对配置于身体的表面的电极之间的电位差进行放大,来检测心脏电激动。因此,心电传感器12具有2个以上的电极、进行电位差的检测与电位差的放大的电路、将模拟信号转换成数字信号并以适当的采样间隔进行记录的数字信号电路等。心电传感器12输出心电信号的数字值。
存储部13例如为闪存(Frash Memory)、FRAM(注册商标)(Ferroelectric Random Access Memory)存储器等非易失性的半导体存储元件等的存储装置。存储部13具有心电信号存储部131。
心电信号存储部131存储心电信号的数据。例如,心电信号存储部131将心电信号的数字值作为心电数据,并与测量时间点对应地进行存储。此外,例如存储24小时心电信号的数据,但不限定于此。
控制部14具有用于保存规定了各种处理顺序的程序、控制数据的内存,通过上述程序、控制数据来执行各种处理。而且,控制部14例如与ASIC(Application Specific Integrated Circuit:专用集成电路)、FPGA(Field Programmable Gate Array:现场可编程门阵列)等集成电路或者CPU(Central Processing Unit:中央处理器)、MPU(Micro Processing Unit:微处理单元)等电子电路对应。并且,控制部14具有候补波形选择处理部140、行动推断 部141以及代表波形生成部146。候补波形选择处理部140具有心电信号分割部142、稳定区间信号提取部143、R-R间隔计算部144以及候补波形选择部145。
行动推断部141例如根据由加速度传感器11检测出的加速度,来推断装戴有便携式终端1的用户的行动。另外,行动推断部141输出意味着推断出的行动的行动信息、上述行动的开始时间点以及上述行动的结束时间点。
在此,已经提出了多种对人的行动进行推断的方法。例如,在“HSAC Challenge2010:用于理解人类行动的装戴式加速度传感器数据语料库的构建”的文献中,实现了对静止、步行、慢跑、跳跃、上台阶、下台阶的总计六种行动的识别。另外,在“使用了穿戴式传感器的行动识别技术的现状与课题”的文献中,介绍了利用加速度传感器来识别步行、乘坐汽车、静止(原地不动)的例子。此外,由行动推断部141推断的行动的种类、由行动推断部141推断行动的方法没有特别的限定。
心电信号分割部142将心电信号分割成具有规定的时间间隔的波形。例如,心电信号分割部142使用存储于心电信号存储部131的心电数据,按照适当的时间间隔对心电信号的心率波形进行分割。规定的时间间隔例如为间隔一分钟,但可以为间隔两分钟,也可以为间隔三分钟。以下,将规定的时间间隔设为间隔一分钟来进行说明。
在此,参照图2,对以规定的时间间隔分割心率波形的例子进行说明。图2是表示以一分钟为间隔分割心率波形的例子的图。如图2所示,将心电信号的心率波形显示成曲线。心电信号分割部142以一分钟为间隔分割心率波形。曲线很尖的峰值为R波。R波是在心脏收缩时产生的波,表示通电力强。从显示出峰值的R波至显示出下一个峰值的R波之间的间隔(R-R间隔)相当于心率的一个周期。此外,以下,将以一分钟为间隔分割的波形称为“一分钟心率波形”,并作为以规定的时间间隔分割的波形的一个例子。
返回图1,心电信号分割部142将各一分钟心率波形与行动建立对应关系。例如,心电信号分割部142基于由行动推断部141获得的各行动的开始时间点以及结束时间点,将各一分钟心率波形与行动信息建立对应关系。
稳定区间信号提取部143针对每个行动,提取多个一分钟心率波形。在提取规定的行动的一分钟心率波形时,稳定区间信号提取部143从稳定区间 提取一分钟心率波形,其中,稳定区间是指,在经过了从向规定的行动变化的时间点起到波形变稳定为止的期间(称为“时间常数”)之后的区间。这是为了针对规定的行动,在心率稳定后再提取一分钟心率波形。例如,在步行后就座的情况下,由于心率波形的形状在心率稳定之前发生变化,所以无法提取在行动为就座的情况下的均一的波形。于是,稳定区间信号提取部143从经过时间常数后的稳定区间中提取一分钟心率波形。时间常数是根据前后行动的组合而预先决定的。此外,在后面,说明时间常数的计算方法。
在此,参照图3A、图3B、图3C,对时间常数与稳定区间的关系进行说明。图3A是说明在步行后就座的情况下的时间常数与稳定区间的关系的图。图3B是说明在跑步后就座的情况下的时间常数与稳定区间的关系的图。图3C是说明在步行后就座的情况下的时间常数与稳定区间的关系的图。
如图3A所示,示出了在步行后就座的情况下的心率波形。就从开始就座直至心率波形稳定为止的时间常数而言,将前行动为步行的情况和前行动为跑步的情况进行比较,在前行动为步行的情况下的时间常数较短。因此,稳定区间信号提取部143使用在前行动为步行且后行动为就座的情况下的时间常数,提取从步行向就座变化的时间点起经过时间常数后的稳定区间内所包含的一分钟心率波形。
如图3B所示,示出了在跑步后就座的情况下的心率波形。就从开始就座直至心率波形稳定为止的时间常数而言,将前行动为步行的情况和前行动为跑步的情况进行比较,在前行动为跑步的情况下的时间常数较长。因此,稳定区间信号提取部143使用在前行动为跑步且后行动为就座的情况下的时间常数,提取从跑步向就座变化的时间点起经过时间常数后的稳定区间内所包含的一分钟心率波形。
此外,说明了根据着眼的行动(在此为就座)与前一个行动的组合来决定时间常数的情况。然而,时间常数不限定于此,也可以根据着眼的行动、前一个行动、该前一个行动之前的行动的组合来决定。在图3C中,时间常数根据表示着眼的行动的就座、表示前一个行动的步行以及表示前一个行动之前的行动的跑步的组合来决定。稳定区间信号提取部143使用所决定的时间常数,提取从步行向就座变化的时间点起经过时间常数后的稳定区间内所包含的一分钟心率波形。
R-R间隔计算部144针对由稳定区间信号提取部143在稳定区间内提取的多个一分钟心率波形的每一个,计算多个R-R间隔。例如,R-R间隔计算部144对所提取的一分钟心率波形应用高通滤波器的信号处理,来检测R波,其中,高通滤波器仅使比规定的频率更高的高频率通过。R-R间隔计算部144针对检测出的R波,计算相邻的两个R波之间的间隔、即R-R间隔。
图4是表示利用数字高通滤波器对心电信号进行处理后的波形的一个例子的图。如图4所示,在心电信号的波形的曲线图中,将X轴设为时间,将Y轴设为振幅。利用数字高通滤波器对心电信号g1进行处理后的波形g2,在R波的位置为“-20”以下。因此,在此,R-R间隔计算部144将阈值设为“-20”,检测应用高通滤波器后的信号变为“-20”以下的时间点,即R波的时间点。R-R间隔计算部144使用检测出的R波的时间点,计算R-R间隔。
返回图1,R-R间隔计算部144使用针对每个一分钟心率波形计算出的多个R-R间隔,针对每个一分钟心率波形,计算R-R间隔的平均值。另外,R-R间隔计算部144进一步使用针对每个一分钟心率波形计算出的多个R-R间隔以及平均值,针对每个一分钟心率波形,计算标准偏差。
候补波形选择部145选择多个特定一分钟心率波形,该特定一分钟心率波形既是在针对每个一分钟心率波形计算出的多个R-R间隔的平均值的频度呈现出极大值附近的一分钟心率波形,又是标准偏差呈现出很小的值的一分钟心率波形。即,候补波形选择部145生成在由后述的代表波形生成部146生成代表波形时所使用的候补波形。此外,代表波形是指,典型的一个周期大小即一次心跳的波形,根据每个行动而生成。
例如,候补波形选择部145根据每个行动,对R-R间隔计算部144所使用的一分钟心率波形进行分类。即,候补波形选择部145根据每个行动,对由稳定区间信号提取部143从每个行动的稳定区间内提取的一分钟心率波形进行分类。候补波形选择部145以根据每个行动来分类的一分钟心率波形为对象,生成以横轴为R-R间隔的平均值、以纵轴为频度的不同行动的R-R间隔的柱状图。生成不同行动的R-R间隔的柱状图是因为,由于通常心率因行动的种类而不同,所以柱状图的频度呈现出极大值的位置(R-R间隔的平均值)也因行动的种类而不同。候补波形选择部145针对每个行动,选择适当个数如下的一分钟心率波形,即,与在频度呈现出极大值附近的R-R间隔的 平均值对应的一分钟心率波形。即,候补波形选择部145生成针对每个行动的候补波形。
作为一个例子,若将极大值的R-R间隔设为tmax,将第i个一分钟心率波形的R-R间隔设为ti,则如以下的式子(1)所示,候补波形选择部145选择R-R间隔与极大值的R-R间隔之差的绝对值在事先规定的阈值tTH以下的一分钟心率波形。
|ti-tmax|≤tTH 式子(1)
进而,候补波形选择部145从选择出的一分钟心率波形中,按R-R间隔的标准偏差最小的顺序选择适当个数的一分钟心率波形。由此,候补波形选择部145选择R-R间隔的平均值大致一致,在一个心率周期内R-R间隔的变动较少的波形,因此,能够针对不同行动来选择均一的心率波形的候补。
在此,参照图5A、图5B、图5C,对与每个行动对应的R-R间隔的柱状图的例子进行说明。图5A是表示在行动为睡眠的情况下的R-R间隔的柱状图的例子的图。图5B是表示在行动为就座的情况下的R-R间隔的柱状图的例子的图。图5C是表示在行动为步行的情况下的R-R间隔的柱状图的例子的图。
如图5A所示,在行动为睡眠的情况下,频度呈现出极大值的位置(R-R间隔的平均值),与图5B所示的行动为就座以及图5C所示的行动为步行的情况相比较大。那是因为在睡眠时,通常与就座时、步行时相比心跳数减少。
如图5B所示,在行动为就座的情况下,频度呈现出极大值的位置(R-R间隔的平均值),与图5A所示的行动为睡眠的情况相比较小,与图5C所示的行动为步行的情况相比较大。那是因为在就座时,通常与睡眠时相比心跳数增大,与步行时相比心跳数减少。
如图5C所示,在行动为步行的情况下,频度呈现出极大值的位置(R-R间隔的平均值),与图5A所示的行动为睡眠以及图5B所示的行动为就座的情况相比较小。那是因为在步行时,通常与睡眠时、就座时相比心率增大。
因此,候补波形选择部145将与频度在极大值附近p1、p2、p3的R-R间隔的平均值对应的一分钟心率波形,视为与各行动的代表性的心率信号对应。然后,候补波形选择部145针对每个行动,选择适当个数的频度在极大值附近的一分钟心率波形,来作为每个行动的候补波形。
返回图1,代表波形生成部146针对不同行动,生成单位为一个周期的代表波形。
例如,代表波形生成部146使用R波的位置,针对由候补波形选择部145根据不同行动获得的一分钟心率波形,截取单位为一个周期的波形。此时,代表波形生成部146选择一分钟心率波形的斜率小的位置,来作为截取的端点。作为一个例子,代表波形生成部146以将R波的峰值位置作为基准,将其两侧的比例划分成4比6的方式,选择截取的端点。
在此,参照图6,对单位为一个周期的波形的截取进行说明。图6是表示截取单位为一个周期的波形的例子的图。如图6所示,代表波形生成部146以将一分钟心率波形的R波的峰值位置作为基准,将前半部划分成40%,将后半部环峰成60%的方式,截取单位为一个周期的波形。此外,虽然说明了以将R波的峰值位置作为基准,将其两侧的比例划分成4比6的方式来截取端点的情况,但不限定于此。就截取的端点而言,可以以将R波的峰值位置作为基准,将其两侧的比例划分成3比7的方式来进行截取,也可以以将R波的峰值位置作为基准,将其两侧的比例划分成5比5的方式来进行截取,只要以将R波的峰值位置作为基准,并以相同的比例进行划分的方式进行截取即可。
返回图1,代表波形生成部146对截取出的所有的单位为一个周期的波形执行加法平均运算,生成临时的代表波形。此外,以下的代表波形生成部146的处理为针对不同行动分别进行的处理。作为一个例子,假设选择了P个某行动的候补波形(一分钟心率波形)。在一分钟心率波形中,包含有N个单位为一个周期的波形。并且,假设单位为一个周期的波形是通过M个采样点获取的。在上述的定义下,若利用S(j)(tk)表示第j个单位为一个周期的波形的第k个采样时的值,则临时的代表波形S’(tk)能够以下的式子表示。
[数学式1]
代表波形生成部146计算临时的代表波形与截取的所有的单位为一个周期的波形之间的相似性,并按相似性高的顺序,选择适当个数的单位为一个周期的波形。作为一个例子,波形间的相似性如下式子(2)那样,利用波形间的差分的平方和来表示。
[数学式2]
代表波形生成部146选择相似性L(j)满足阈值LTH以下的单位为一个周期的波形,通过对所选择的单位为一个周期的波形进行加法平均运算,来生成最终的代表波形。作为一个例子,代表波形的生成方法如下式子(3)所示。此外,式子(3)的jSEL表示满足L(j)≤LTH的j的值,NSEL表示满足L(j)≤LTH的单位为一个周期的波形的总数。
[数学式3]
即,生成S(tk)来作为最终的代表波形。
接下来,参照图7A、图7B、图7C,对计算稳定区间信号提取部143所使用的时间常数的方法进行说明。在图7A、图7B、图7C中,以在跑步后就座的情况为一个例子进行说明。图7A是表示在跑步后就座的情况下的R-R间隔的变化的图。图7B是表示在从过渡区间内提取一分钟心率波形的情况下的R-R间隔的柱状图的例子的图。图7C是表示在从稳定区间内提取一分钟心率波形的情况下的R-R间隔的柱状图的例子的图。
如图7A所示,R-R间隔的变化的曲线图将X轴设为时间,将Y轴设为R-R间隔。在跑步后就座的情况下,跑步中的R-R间隔基本上比就座后的R-R间隔小。就座后的R-R间隔在表示心率波形不稳定的期间的过渡区间内逐渐增大。就座后的R-R间隔经过过渡区间,在表示心率波形稳定的期间的稳定区间内变为大致稳定的值。
如图7B、图7C所示,R-R间隔的柱状图将X轴设为R-R间隔的平均值,将Y轴设为频度。图7B为从过渡区间中的期间t1提取的一分钟心率波形的R-R间隔的柱状图。图7C为从稳定区间中的期间t2提取的一分钟心率波形的R-R间隔的柱状图。在图7B的柱状图中,使用从过渡区间中的期间t1提取的一分钟心率波形,因此,R-R间隔的值的差异较大,R-R间隔分布成基部较宽的形状。在图7C的柱状图中,使用从稳定区间中的期间t2提取的一分钟心率波形,因此,R-R间隔的值的差异较小,R-R间隔分布成基部较窄的形状。即,在图7B的柱状图中,R-R间隔的标准偏差与图7C的柱状图相比较大。另一方面,在图7C的柱状图中,R-R间隔的标准偏差与图7B的柱状图相比较小。
因此,就时间常数的计算方法而言,例如,当过渡区间的标准偏差变为阈值以下时,检测出变化到稳定区间,计算出从跑步变为就座时至检测出变化到稳定区间时为止的经过时间,来作为时间常数。例如,时间常数的计算方法获取使用行动推断部141、心电信号分割部142、R-R间隔计算部144获得的每个一分钟心率波形的R-R间隔的标准偏差。然后,时间常数的计算方法使用所获取的每个一分钟心率波形的R-R间隔的标准偏差,从跑步改变成就座的时间点起,检测标准偏差变为阈值以下的时间点。然后,时间常数的计算方法计算出从跑步变为就座的时间点至检测出标准偏差变为阈值以下的时间点为止的经过时间,来作为时间常数。
此外,只要设定为在为了生成代表波形而执行代表波形生成处理前,例如在用于计算时间常数的试用期间内计算出时间常数即可。另外,在此,说明了在跑步后就座的情况,同样地,能够根据前后行动的组合,来计算着眼的行动与前一个行动的组合的时间常数。
在此,参照图8以及图9,对候补波形选择处理部140的处理概念性地进行说明。图8是表示随机地选择候补波形的情况的图。图9是通过候补波
形选择处理部140的处理选择候补波形的情况的图。如图8所示,若随机地选择候补波形,则选择的各候补波形的R-R间隔的偏差变大,因此导致通过加法平均运算等计算出的代表波形的变形变大。
另一方面,如图9所示,心电信号分割部142将心电信号分割为一分钟心率波形,并将分化出的一分钟心率波形与行动建立对应关系,由此,使候补波形选择部145根据不同行动生成R-R间隔的柱状图。稳定区间信号提取部143根据所着眼的不同行动来从稳定区间中提取一分钟心率波形,由此,能够使候补波形选择部145根据不同行动生成R-R间隔的差异小的柱状图。并且,候补波形选择部145根据不同行动,选择在R-R间隔的柱状图的极大值附近的、标准偏差小的一分钟心率波形,由此,能够选择根据不同行动的均一的一分钟心率波形。即,候补波形选择部145能够选择着眼的行动的均一的候补波形。由此,代表波形生成部146能够生成所着眼的行动的典型且均一的单位为一个周期的代表波形。
[代表波形生成处理的顺序]
接下来,参照图10,对代表波形生成处理的顺序进行说明。图10是表示实施例1的代表波形生成处理的流程的图。此外,用户装戴便携式终端1,并将心电传感器12的电极配置于身体表面。
首先,便携式终端1通过心电传感器12获取心电信号(步骤S11),将所获取的心电信号的数据保存在心电信号存储部131(步骤S12)。例如,便携式终端1将心电信号的数字值以与测量时间点对应的方式保存在心电信号存储部131内。心电信号分割部142使用存储在心电信号存储部131内的心电信号的数据,以一分钟为间隔分割心电信号,生成一分钟心率波形(步骤S13)。
便携式终端1利用心电传感器12以外的加速度传感器11获取与加速度有关的信号(步骤S14)。然后,行动推断部141根据加速度传感器11的时间变化来推断行动(步骤S15)。
接着,心电信号分割部142对所生成的一分钟心率波形与行动标签建立对应关系(步骤S16)。例如,心电信号分割部142利用一分钟心率波形的开始测量时间点、结束测量时间点以及由行动推断部141推断出的行动的开始时间点与结束时间点,对一分钟心率波形与行动建立对应关系,并将建立 了对应关系的行动的行动标签与一分钟心率波形对应。
此后,稳定区间信号提取部143从经过了根据前后的行动规定出的时间常数大小的时间后的稳定区间中提取多个一分钟心率波形(步骤S17)。例如,稳定区间信号提取部143在行动标签表示就座的情况下,从行动标签变为就座的时间点起经过了时间常数大小的时间后的稳定区间中,提取多个一分钟心率波形。时间常数是根据就座之前的行动以及就座的组合来预先决定的。
然后,R-R间隔计算部144根据提取出的一分钟心率波形求出多个R-R间隔,并计算一分钟内的R-R间隔的平均值与标准偏差(步骤S18)。即,R-R间隔计算部144针对由稳定区间信号提取部143针对每个行动标签提取出的一分钟心率波形,分别计算一分钟内的R-R间隔的平均值与标准偏差。
然后,候补波形选择部145针对不同行动标签,生成将横轴设为一分钟心率波形的R-R间隔的平均值、将纵轴设为一分钟心率波形的频率的柱状图(步骤S19)。然后,候补波形选择部145针对不同行动标签,从与频度处于极大值的R-R间隔的平均值对应的一分钟心率波形中,按标准偏差小的顺序,选择适当个数的一分钟心率波形(步骤S20)。即,候补波形选择部145针对每个行动,选择适当个数的候补波形。
接着,代表波形生成部146针对不同行动标签,以下述方式生成代表波形。代表波形生成部146针对由候补波形选择部145选择出的各个一分钟心率波形,以R波的峰值位于波形的4比6的位置的方式截取单位为一个周期的波形(步骤S21)。然后,代表波形生成部146对单位为一个周期的波形进行加法平均运算,生成临时的代表波形(步骤S22)。
接着,代表波形生成部146计算所有的单位为一个周期的波形与临时的代表波形之间的相似性,按相似性高的顺序,选择适当个数的单位为一个周期的波形(步骤S23)。例如,代表波形生成部146选择10个单位为一个周期的波形。然后,代表波形生成部146对所选择的适当个数的单位为一个周期的波形进行加法平均运算,以生成代表波形(步骤S24)。
将以上述方式针对不同行动而生成的代表波形保存在终端内、个人计算机、云等外部装置内,通过与在日常的各行动中输出的心电波形进行比较,能够检测出脉律不齐等异常。或者,在马拉松赛跑运动员等进行长期的练习 时,通过观察跑步中的心电波形的变化,能够掌握训练的效果。
[实施例1的效果]
根据上述实施例1,便携式终端1将身体信号分割成一分钟心率波形。然后,便携式终端1针对每一个分割出的一分钟心率波形,计算多个R-R间隔,并计算R-R间隔的平均值。并且,便携式终端1利用针对每个一分钟心率波形计算出的R-R间隔的各平均值,选择多个与平均值的频度呈现出极大值的附近的平均值对应的一分钟心率波形。根据上述的结构,由于便携式终端1选择与R-R间隔的平均值的频度处于极大值附近的平均值对应的一分钟心率波形,所以能够选择R-R间隔均一的一分钟心率波形。其结果为,便携式终端1能够利用所选择的一分钟心率波形,高精度地生成一个周期的代表波形。
另外,根据上述实施例1,便携式终端1对一分钟心率波形与由行动推断部141推断出的行动建立对应关系。然后,便携式终端1选择多个与一个行动对应的一分钟心率波形。根据上述的结构,由于R-R间隔根据行动的种类而不同,所以便携式终端1选择与行动对应的一分钟心率波形,由此,能够进一步选择均一的一分钟心率波形。
另外,根据上述实施例1,便携式终端1从经过了前一个行动向后一个行动变化的时间点至稳定为止的期间(时间常数)后的稳定区间中,提取与后一个行动对应的一分钟心率波形。然后,便携式终端1针对与提取后的行动对应的每个一分钟心率波形,计算多个R-R间隔,并计算R-R间隔的平均值。并且,便携式终端1利用针对每个一分钟心率波形计算出的R-R间隔的各平均值,选择多个与在平均值的频度呈现出极大值的附近的平均值对应的一分钟心率波形。根据上述的结构,便携式终端1从后一个行动的稳定区间中提取与后一个行动对应的一分钟心率波形,因此,能够选择R-R间隔的差异小的一分钟心率波形。
另外,根据上述实施例1,便携式终端1还针对每个一分钟心率波形。根据针对每个一分钟心率波形计算出的多个R-R间隔,来计算R-R间隔的标准偏差。然后,便携式终端1选择多个如下的一分钟心率波形,即,为与在平均值的频度呈现出极大值的附近的平均值对应的一分钟心率波形,并且为在计算出的各标准偏差中与数值小的标准偏差对应的一分钟心率波形。根据 上述的结构,由于便携式终端1选择R-R间隔的差异小的一分钟心率波形,所以,能够进一步选择均一的一分钟心率波形。其结果为,便携式终端1能够使用所选择的一分钟心率波形,来生成变形小的代表波形。
另外,根据上述实施例1,便携式终端1利用在从前一个行动变化为后一个行动的时间点之后的一分钟心率波形的R-R间隔的标准偏差,计算从上述时间点至在标准偏差成为阈值以下的时间点为止的期间,来作为时间常数。根据上述的结构,便携式终端1利用R-R间隔的标准偏差来计算时间常数,因此,能够可靠地计算出到R-R间隔的差异小的期间(稳定区间)为止的期间,以作为时间常数。
[实施例2]
在实施例1的便携式终端1中,说明了如下的情况:从根据不同行动提取出的一分钟心率波形中,选择在R-R间隔的平均值的频率呈现出极大值的附近的且针对不同行动的一分钟心率波形。然而,便携式终端1不局限于此,为了减少噪声,还可以进一步针对所选择的针对不同行动的一分钟心率波形实施独立成分分析。
因此,在实施例2中,进一步,就针对所选择的针对不同行动的一分钟心率波形实施独立成分分析的便携式终端1A进行说明。
[实施例2的便携式终端的结构]
图11是表示实施例2的便携式终端的结构的功能框图。此外,对与图1所示的便携式终端1相同的结构标注相同附图标记,并省略对重复的结构以及动作进行的说明。实施例1与实施例2不同之处在于将控制部14A的候补波形选择处理部140变更成候补波形选择处理部140A这点。实施例1与实施例2不同之处在于向候补波形选择处理部140A追加了独立成分分析部151与频谱分析部152这点。
独立成分分析部151针对不同行动,选择在针对每个一分钟心率波形计算出的R-R间隔的平均值的频度呈现出极大值的附近的一分钟心率波形。独立成分分析部151对根据不同行动而选择出的一分钟心率波形实施独立成分分析。
例如,独立成分分析部151与候补波形选择部145同样地,利用R-R间隔的平均值的柱状图,根据不同的行动,选择适当个数的与表示频度的极大值附近的R-R间隔的平均值对应的一分钟心率波形。作为一个例子,如上述的式子(1)那样,独立成分分析部151选择R-R间隔的差的绝对值在阈值tTH以下的一分钟心率波形。独立成分分析部151对所选择的一分钟心率波形实施独立成分分析。上述的独立成分分析(ICA:Independent Component Analysis独立成分分析)是多变量解析的一个方法,是假定作为信息源的信号独立,从多个观测值的信号中将信号源分离成独立的成分加以提取的计算方法。即,独立成分分析部151利用选择为观测值的多个一分钟心率波形,根据该多个一分钟心率波形来推断作为信号源的心率波形。
在此,参照图12,说明对多个一分钟心率波形应用独立成分分析的情况的概念。图12是对多个一分钟心率波形应用独立成分分析的情况的概念的图。如图12所示,独立成分分析部151对选择为观测值的多个一分钟心率波形应用ICA,生成作为信号源的心率波形。
频谱分析部152对应用了独立成分分析后的心率波形应用频谱分析,按心率的峰值等级大的顺序,根据不同行动,选择适当个数的心率波形。即,频谱分析部152生成每个行动的候补波形。此外,频谱分析例如使用高速傅立叶变换。
在此,参照图13,说明对在应用ICA后的心率波形应用高速傅立叶变换的情况的结果例。图13是表示对应用ICA后的心率波形应用高速傅立叶变换的情况的结果例的图。如图13所示,示出了对应用ICA后的心率波形应用高速傅立叶变换的结果的心率波形。心率波形的峰值是表示心率的频率。若心率波形所包含的噪声较少,则峰值的值会增大。因此,频谱分析部152按峰值的值大的顺序选择适当个数的心率波形。
[实施例2的效果]
根据上述实施例2,独立成分分析部151对与行动对应的多个一分钟心率波形实施独立成分分析。由此,频谱分析部152能够针对不同行动选择减少了噪声的均一的心率波形的候补。其结果为,代表波形生成部146能够高精度地生成着眼的行动的典型且均一的单位为一个周期的代表波形。
[程序等]
此外,在实施例中,说明了将身体信号设为心电信号,但不限定于此,例如,可以设为脑波信号,也可以设为脉搏信号,只要为周期性的与身体有关的信号即可。在此,在将身体信号设为脑波信号的情况下,只要设置脑波传感器来代替心电传感器12可。另外,在将身体信号设为脉搏信号的情况下,只要设置脉搏传感器来代替心电传感器12即可。
另外,在实施例中,行动推断部141根据由加速度传感器11检测出的加速度,来判断用户的行动。就时间常数的计算而言,是根据前后的行动的组合,来计算规定稳定区间的时间常数的。然而,不限定于此,也可以将行动替换成生活活动强度。在上述的情况下,行动推断部141只要根据由加速度传感器11检测出的加速度获取用户的生活活动强度即可。就时间常数的计算而言,只要根据前后的生活活动强度的组合来计算规定稳定区间的时间常数即可。例如,就时间常数的计算而言,只要当从生活活动强度指数从1.7(适度)变化为1.3(较低)时起的R-R间隔的标准偏差变为阈值以下时,检测出变化至稳定区间,从而将从上述生活活动强度指数的变化时至检测出变化至稳定区间时为止的经过时间设为时间常数即可。
另外,便携式终端1、1A能够通过在已知的移动计算机、手机等装置搭载上述的加速度传感器11、心电传感器12、存储部13、控制部14等的各功能来实现。
另外,设定为在便携式终端1、1A中包含加速度传感器11以及心电传感器12的结构,但也可以将加速度传感器11以及心电传感器12的任一方或者双方设定为便携式终端1、1A的外部装置。外部装置的传感器与便携式终端1、1A无线连接,从搭载在传感器上的无线送信机向搭载在便携式终端1、1A上的接收机发送规定的信号。
另外,在将加速度传感器11以及心电传感器12的任一方或者双方设为便携式终端1、1A的外部装置的情况下,还可以将便携式终端1、1A设为服务器。服务器只要为已知的个人计算机、工作站等信息处理装置即可。由此,只要仅将传感器装戴于用户的身体即可,因此存在用户的行动不被限制的优点。
另外,在将加速度传感器11以及心电传感器12的任一方或者双方设为便携式终端1、1A的外部装置的情况下,也可以将便携式终端1、1A设为云上的数据中心内的服务器。服务器只有为已知的个人计算机、工作站等信息处理装置即可。由此,能够对多数人的心电信号等进行存储,从而将由已存 储的心电信号等生成的代表波形数据库化。
另外,图示的装置的各构成要素不需要如图示那样物理性地进行构成。即,装置的分散/统一的具体的方式不限定于图示的结构,能够根据各种的负载、使用状况等以任意的单位功能或者物理地分散/统一而构成其全部或者一部分。例如,可以将稳定区间信号提取部143与R-R间隔计算部144统一为一个部分。另一方面,可以将候补波形选择部145分散成选择R-R间隔的平均值的频率呈现出极大值的附近的一分钟心率波形的第一选择部、以及从所选择的一分钟心率波形中选择标准偏差小的值的一分钟心率波形的第二选择部。另外,也可以将心电信号存储部131等存储部13设为控制部14的外部装置并经由网络连接。
另外,在上述实施例中说明的各种的处理能够通过个人计算机、工作站等计算机执行预先准备的程序来实现。因此,以下,说明执行实现与图1所示的便携式终端1相同功能的代表波形生成程序的计算机的一个例子。图14是表示执行代表波形生成程序的计算机的一个例子的图。
如图14所示,计算机200具有执行各种运算处理的CPU(中央处理器)201、接受由用户输入的数据的输入装置202、以及显示器203。另外,计算机200具有从存储介质中读取程序等的读取装置204、以及经由网络5与其他的计算机之间交换数据的接口装置205。另外,计算机200具有临时存储各种信息的RAM(随机存储器)206以及硬盘装置207。而且,各装置201~207与总线208连接。
硬盘装置207存储代表波形生成程序207a以及代表波形生成相关信息207b。CPU201读出代表波形生成程序207a,并在RAM206中进行展开。代表波形生成程序207a作为代表波形生成工序206a发挥功能。
例如,代表波形生成工序206a与行动推断部141、心电信号分割部142、稳定区间信号提取部143、R-R间隔计算部144、候补波形选择部145、代表波形生成部146对应。代表波形生成相关信息207b与心电信号存储部131对应。
此外,对于代表波形生成程序207a而言,也可以不从最初起就存储在硬盘装置207内。例如,使插入到计算机200的软盘(FD)、CD-ROM(只读光盘)、DVD盘(数字多功能光盘)、光磁盘、IC卡(集成电路卡)等的 “可移动物理介质”存储上述程序。而且,计算机200也可以从这些介质中读出并执行代表波形生成程序207a。
附图标记说明
1、1A 便携式终端
11 加速度传感器
12 心电传感器
13 存储部
14、14A 控制部
131 心电信号存储部
140、140A 候补波形选择处理部
141 行动推断部
142 心电信号分割部
143 稳定区间信号提取部
144 R-R间隔计算部
145 候补波形选择部
146 代表波形生成部
151 独立成分分析部
152 频谱分析部
Claims (7)
1.一种信息处理装置,其特征在于,具有:
信号分割部,其将身体信号分割成具有规定间隔的波形,所述身体信号是心电信号,
计算部,其针对由所述信号分割部分割出的每个具有规定间隔的波形,计算多个表示相邻的R波与R波之间的间隔的波形间隔,并计算所计算出的多个波形间隔的平均值,
波形选择部,其利用由所述计算部针对每个具有规定间隔的波形计算出的波形间隔的平均值,选择多个与平均值的频度呈现出极大值的附近的平均值对应的具有规定间隔的波形。
2.根据权利要求1所述的信息处理装置,其特征在于,
具有行动推断部,所述行动推断部推断所述身体信号的主体的行动;
所述信号分割部还将分割出的具有规定间隔的波形与由所述行动推断部推断出的行动建立对应关系,
所述波形选择部选择多个与一个行动对应的具有规定间隔的波形。
3.根据权利要求2所述的信息处理装置,其特征在于,
还具有波形提取部,所述波形提取部利用表示从前一个行动变化为后一个行动的时间点至波形稳定为止的期间的时间常数,在所述时间点经过了用所述时间常数表示的期间之后,从由所述信号分割部分割出的具有规定间隔的波形中提取与后一个行动建立对应关系的具有规定间隔的波形,
所述波形选择部选择多个由所述波形提取部提取的与后一个行动对应的具有规定间隔的波形。
4.根据权利要求3所述的信息处理装置,其特征在于,
所述计算部还根据针对每个所述具有规定间隔的波形计算出的多个波形间隔,针对每个所述具有规定间隔的波形,计算波形间隔的标准偏差,
所述波形选择部选择多个特定波形,所述特定波形既是与所述平均值的频度呈现出极大值的附近的平均值对应的所述具有规定间隔的波形,又是与由所述计算部计算出的各标准偏差中数值小的标准偏差对应的所述具有规定间隔的波形。
5.根据权利要求4所述的信息处理装置,其特征在于,
还具有时间常数计算部,所述时间常数计算部利用由所述计算部计算出的结果、即在从前一个行动变化为后一个行动的时间点之后的所述具有规定间隔的波形的波形间隔的标准偏差,计算从所述时间点至所述标准偏差变为阈值以下的时间点为止的期间,来作为所述时间常数。
6.根据权利要求3所述的信息处理装置,其特征在于,
所述波形选择部还对所选择的多个具有规定间隔的波形实施独立成分分析。
7.一种代表波形生成方法,其特征在于,
使计算机执行以下处理:
分割处理,将身体信号分割成具有规定间隔的波形,所述身体信号是心电信号,
计算处理,针对通过所述分割处理分割出的每个具有规定间隔的波形,计算多个表示相邻的R波与R波之间的间隔的波形间隔,并计算所计算出的多个波形间隔的平均值,
选择处理,利用通过所述计算处理针对每个具有规定间隔的波形计算出的波形间隔的平均值,选择多个与平均值的频度呈现出极大值的附近的平均值对应的具有规定间隔的波形。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2012/052302 WO2013114596A1 (ja) | 2012-02-01 | 2012-02-01 | 情報処理装置、代表波形生成方法および代表波形生成プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104093353A CN104093353A (zh) | 2014-10-08 |
CN104093353B true CN104093353B (zh) | 2016-08-24 |
Family
ID=48904673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280068842.XA Expired - Fee Related CN104093353B (zh) | 2012-02-01 | 2012-02-01 | 信息处理装置以及代表波形生成方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20140336522A1 (zh) |
JP (1) | JP5920364B2 (zh) |
CN (1) | CN104093353B (zh) |
WO (1) | WO2013114596A1 (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6378492B2 (ja) * | 2014-01-30 | 2018-08-22 | 株式会社早稲田エルダリーヘルス事業団 | 移動運動解析装置及びプログラム |
CN104056445B (zh) * | 2014-07-01 | 2017-01-18 | 杭州攻壳科技有限公司 | 一种基于心率和加速度传感器的人体运动分析方法及其装置 |
US10881315B2 (en) * | 2014-08-11 | 2021-01-05 | Nippon Telegraph And Telephone Corporation | Biological signal measurement system, biological information measurement apparatus, and biological information extraction algorithm changing method |
CN104545887B (zh) * | 2014-12-24 | 2017-10-24 | 深圳先进技术研究院 | 伪差心电波形识别方法和装置 |
US20160235316A1 (en) * | 2015-02-16 | 2016-08-18 | Mediatek Inc. | Physiological signal processing circuit |
JP6943365B2 (ja) * | 2016-01-18 | 2021-09-29 | 学校法人慶應義塾 | 情報処理装置、情報処理システム、計測装置、計測システム、情報処理方法及びプログラム |
KR102655669B1 (ko) * | 2016-07-20 | 2024-04-05 | 삼성전자주식회사 | 생체신호의 특징 추출 장치 및 방법과, 생체정보 검출 장치 |
JP6706996B2 (ja) * | 2016-08-05 | 2020-06-10 | 日本電信電話株式会社 | 生体信号処理装置、異常判別方法およびプログラム |
JP6943634B2 (ja) | 2017-06-02 | 2021-10-06 | キヤノンメディカルシステムズ株式会社 | 信号処理装置、撮像装置及び信号処理方法 |
JP7086376B2 (ja) * | 2018-02-07 | 2022-06-20 | 長岡実業株式会社 | 心電計測装置 |
JP7091747B2 (ja) * | 2018-03-19 | 2022-06-28 | 株式会社リコー | 生体情報処理装置及び生体情報処理システム |
JP7155980B2 (ja) * | 2018-11-30 | 2022-10-19 | 株式会社リコー | 生体機能評価装置、生体機能評価方法、及びプログラム |
CN111134660B (zh) * | 2020-01-17 | 2022-07-05 | 上海乐普云智科技股份有限公司 | 一种r点位置的检测方法和装置 |
CN111259820B (zh) * | 2020-01-17 | 2023-05-05 | 上海乐普云智科技股份有限公司 | 一种基于r点的心搏数据分类方法和装置 |
CN111265211B (zh) * | 2020-01-17 | 2022-07-29 | 上海乐普云智科技股份有限公司 | 一种用于心搏数据的滑动检测方法和装置 |
CN113223672B (zh) * | 2020-01-20 | 2023-11-10 | 深圳市理邦精密仪器股份有限公司 | 心电波形测量方法以及相关设备、装置 |
WO2023199682A1 (ja) * | 2022-04-11 | 2023-10-19 | 株式会社カルディオインテリジェンス | 心電図分析装置、心電図分析方法及びプログラム |
JP7336171B1 (ja) | 2022-04-11 | 2023-08-31 | 株式会社カルディオインテリジェンス | 心電図分析装置、心電図分析方法及びプログラム |
JP7162232B1 (ja) | 2022-08-05 | 2022-10-28 | 公立大学法人会津大学 | 心拍分類装置及び入浴者見守りシステム |
CN117009755B (zh) * | 2023-10-07 | 2023-12-19 | 国仪量子(合肥)技术有限公司 | 波形数据的处理方法、计算机可读存储介质和电子设备 |
JP7481060B1 (ja) | 2023-12-27 | 2024-05-10 | エグゼヴィータ株式会社 | 行動取得装置、行動取得方法、およびプログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101161203A (zh) * | 2006-10-11 | 2008-04-16 | 株式会社东芝 | X射线计算机断层及医用图像摄影装置、呼吸指示装置 |
EP1599257B1 (en) * | 2003-02-28 | 2008-08-27 | Medtronic Inc. | Apparatus for optimizing cardiac resynchronization therapy based on left ventricular acceleration |
CN101828918A (zh) * | 2010-05-12 | 2010-09-15 | 重庆大学 | 基于波形特征匹配的心电信号r波峰检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6156629A (ja) * | 1984-08-28 | 1986-03-22 | アイシン精機株式会社 | 車上心拍計 |
JPH07143972A (ja) * | 1993-11-25 | 1995-06-06 | Matsushita Electric Works Ltd | 睡眠状態判定方法及びその装置 |
JP4252268B2 (ja) * | 2002-08-29 | 2009-04-08 | パイオニア株式会社 | 疲労度判別システム、疲労度判別方法、および疲労度判別用プログラム |
JP4891590B2 (ja) * | 2004-10-18 | 2012-03-07 | 株式会社東芝 | 超音波ドプラ計測装置及びドプラ信号処理プログラム |
US20070016089A1 (en) * | 2005-07-15 | 2007-01-18 | Fischell David R | Implantable device for vital signs monitoring |
US20080119749A1 (en) * | 2006-11-20 | 2008-05-22 | Cardiac Pacemakers, Inc. | Respiration-synchronized heart sound trending |
US20080306564A1 (en) * | 2007-06-11 | 2008-12-11 | Cardiac Pacemakers, Inc | Method and apparatus for short-term heart rate variability monitoring and diagnostics |
US8568330B2 (en) * | 2011-03-08 | 2013-10-29 | Pulsaw Informatics, Inc. | Composite human physiological stress index based on heart beat and sleep and/or activity history data including actigraphy |
-
2012
- 2012-02-01 JP JP2013556148A patent/JP5920364B2/ja not_active Expired - Fee Related
- 2012-02-01 CN CN201280068842.XA patent/CN104093353B/zh not_active Expired - Fee Related
- 2012-02-01 WO PCT/JP2012/052302 patent/WO2013114596A1/ja active Application Filing
-
2014
- 2014-07-28 US US14/444,683 patent/US20140336522A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1599257B1 (en) * | 2003-02-28 | 2008-08-27 | Medtronic Inc. | Apparatus for optimizing cardiac resynchronization therapy based on left ventricular acceleration |
CN101161203A (zh) * | 2006-10-11 | 2008-04-16 | 株式会社东芝 | X射线计算机断层及医用图像摄影装置、呼吸指示装置 |
CN101828918A (zh) * | 2010-05-12 | 2010-09-15 | 重庆大学 | 基于波形特征匹配的心电信号r波峰检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104093353A (zh) | 2014-10-08 |
JP5920364B2 (ja) | 2016-05-18 |
WO2013114596A1 (ja) | 2013-08-08 |
US20140336522A1 (en) | 2014-11-13 |
JPWO2013114596A1 (ja) | 2015-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104093353B (zh) | 信息处理装置以及代表波形生成方法 | |
Dwi Saputro et al. | Seizure type classification on EEG signal using support vector machine | |
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
CN101711123A (zh) | 用于使用生理信号对视听或交互式媒体、产品或者活动的“思考”响应进行测量和分级的方法和系统 | |
Al-Nuaimi et al. | Tsallis entropy as a biomarker for detection of Alzheimer's disease | |
CN103596493A (zh) | 压力测量设备和方法 | |
Ramos et al. | Stress recognition-a step outside the lab | |
Feltane et al. | Automatic seizure detection in rats using Laplacian EEG and verification with human seizure signals | |
US20190034797A1 (en) | Data generation apparatus, biological data measurement system, classifier generation apparatus, data generation method, classifier generation method, and recording medium | |
CN108937866A (zh) | 睡眠状态的监测方法及装置 | |
Ollander et al. | Feature and sensor selection for detection of driver stress | |
Müller et al. | Incremental SSVEP analysis for BCI implementation | |
CN107368896A (zh) | 学习系统、学习方法以及程序 | |
Mehmood et al. | Hardensenet: A 1d densenet inspired convolutional neural network for human activity recognition with inertial sensors | |
Umematsu et al. | Forecasting stress, mood, and health from daytime physiology in office workers and students | |
CN109009098A (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
Akhonda et al. | Stress detection of computer user in office like working environment using neural network | |
Kao et al. | GA-SVM applied to the fall detection system | |
Dzitac et al. | Identification of ERD using fuzzy inference systems for brain-computer interface | |
Nouredanesh et al. | Detection of compensatory balance responses using wearable electromyography sensors for fall-risk assessment | |
Eggert et al. | Recognizing mental stress in chess players using vital sign data | |
Clark et al. | Machine learning based prediction of future stress events in a driving scenario | |
Hossain et al. | Cognitive load measurement using galvanic skin response for listening tasks | |
Avcı et al. | Evaluation of statistical metrics by using physiological data to identify the stress level of drivers | |
Murali et al. | Analysis of fractal and fast Fourier transform spectra of human electroencephalograms induced by odors |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160824 Termination date: 20180201 |
|
CF01 | Termination of patent right due to non-payment of annual fee |