CN105212919A - 生理信号分析方法及其系统 - Google Patents
生理信号分析方法及其系统 Download PDFInfo
- Publication number
- CN105212919A CN105212919A CN201410489894.5A CN201410489894A CN105212919A CN 105212919 A CN105212919 A CN 105212919A CN 201410489894 A CN201410489894 A CN 201410489894A CN 105212919 A CN105212919 A CN 105212919A
- Authority
- CN
- China
- Prior art keywords
- disease
- physiological signal
- peakvalue
- data
- identified parameters
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 261
- 201000010099 disease Diseases 0.000 claims abstract description 250
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000002566 electrocorticography Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000010247 heart contraction Effects 0.000 description 13
- 230000015654 memory Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010297 mechanical methods and process Methods 0.000 description 2
- 230000005226 mechanical processes and functions Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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]
- A61B5/333—Recording apparatus specially adapted therefor
-
- 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
- A61B5/369—Electroencephalography [EEG]
-
- 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
Abstract
本发明提供一种生理信号分析方法及其系统,透过收集受测者的生理信号,俾供用户针对所述生理信号提供检测意见,藉此以产生病症辨识参数及病症权重参数,以利用所述病症辨识参数及病症权重参数针对所收集到的生理信号进行分析判定。藉此,本发明透过结合分析受测者的生理信号及参酌用户分析意见的方式进行检测判定,故所输出的检测结果不但更能取信于医患双方,亦能有效提升系统分析结果的准确性以辅助使用者提升诊疗工作的效率。
Description
技术领域
本发明涉及生理信号分析技术,特别是涉及一种结合受测者生理数据及用户意见进行分析的生理信号分析系统及其方法。
背景技术
依据2011年世界卫生组织所公布的世界十大死因中,心血管疾病造成的死亡人数占了大多数,此类疾病大部分是需要长期进行监控与治疗,然因现实状况以及有限资源的考虑,患者并无法长期居住在医院接受监控与治疗,而只能以门诊的方式进行照护。然而由此类疾病所导致之不正常的生理信号反应系仅发生于发病时的短暂期间内,而此不定时的产生异常生理信号的情况通常发生于病患的日常生活中,因此传统的门诊方式并无法有效且实时监测到患者于日常生活中所出现的异常状况,使得在病患就医时,医师往往无法正确诊断出病患所罹患的疾病。
鉴于上述问题,业界陆续提出了各类整合了通信以及生理信号监控撷取功能的健康照护系统,以无线传输生理检测系统为例,患者的脑波、心电信号等生理信号经由模拟前端系统进行撷取,再以无线传输方式传送至接收端进行处理,藉此以监控分析患者生理信号是否异常,让患者无须在医院,也可享受到医疗服务与支持。然此类远程医疗系统因长时间监控,会产生大量非必要性的数据,这些数据除会耗费储存空间之外,也会增加医师判读的困扰。
再者,目前已知的生理信号监控技术,大都以软件方式实现,由于没有考虑到硬件化时所面临的限制,最终只能在计算机上运行,如以硬件方式实现,皆为使用特定算法为主,其复杂度相对提高,虽有研究数据左证其功效,实际上却背离了医师的人为判定方式,最终导致医师往往无法坦然接受由系统运算出来的诊断结果。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种生理信号分析方法,系结合受测者生理数据及用户意见进行分析,可降低系统复杂度,且有效提升分析结果的正确率,透过此发明所开发之软硬件将具有人工智能,可做实时的病症分析与筛选,并使得分析判定结果更能为医患双方所接受。
本发明的另一目的在于提供一种生理信号分析方法及其系统,能减少监控期间非必要数据的输入,有助于使用者获取受测者在回诊期间有效的日常生理信号监控数据,减低其数据判读的难度,以有效降低使用者工作负担的目的。
为实现上述目的及其他相关目的,本发明提供一种生理信号分析方法,所述方法包括以下步骤:收集受测者的生理信号;撷取所述生理信号中的特征值以进行预定波形的检测,并输出检测结果;提供使用者针对所述检测结果输入的病症评估数据;依据所述输入的病症评估数据生成病症辨识参数及病症权重参数并将其予以储存;以及依据所储存的病症辨识参数及病症权重参数,针对所收集到的受测者的生理信号进行分析,并输出判定结果。
可选地,所述生理信号包括EEG、ECoG、EKG、EMG、或ECG生理信号。
可选地,所述预定波形的检测的步骤包括以下处理步骤:定义生理信号的峰值检测区间,并设定所述峰值检测区间内输入数据的门槛值参数,所述门槛值参数用以排除在所述峰值检测区内不必要的取样点;接收所述收集到的生理信号输入数据,直至判断所收集到的生理信号输入数据满足所述设定的峰值检测区间内输入数据的门槛值;取得各所述峰值检测区间内的生理信号的峰值数据;以及比较相邻的两峰值检测区间的峰值数据所对应的波形出现时间,以判断所述两笔峰值数据是否属于同一笔生理信号,并依据所述判断结果更新所述设定的峰值检测区间内输入数据的门槛值参数,且得到该笔生理信号的峰值出现时间。
可选地,依据所储存的病症辨识参数及病症权重参数,针对所收集到的受测者的生理信号进行分析而输出判定结果的步骤包括以下处理步骤:依据所述定义的峰值检测区间,收集一峰值检测区间内受测者的生理信号,并针对所述峰值检测区间内所收集的生理信号执行小波转换处理以生成小波系数;取得所述峰值检测区间内的峰值出现时间;将取得所述峰值出现时间的峰值检测区间划分为多个小区间,计算各小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和;以及依照计算出所述两曲线差异大小总和对所述划分的各小区间进行给分,其中所述给分的处理依据所述病症辨识参数对应的病症分数,其中所述病症分数为前述病症权重参数之一,并针对各小区间的病症分数进行加总,以分析出所述判定结果并予以输出。
可选地,计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者,表示所述受测者的生理信号与所述所储存的病症辨识参数相近,得以对所述病症分数进行给分。
可选地,针对所收集到的受测者的生理信号进行分析而输出判定结果的步骤还包括以下处理步骤:于计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者而对所述小区间的病症分数进行给分后,加总各小区间的各所述病症辨识参数的病症分数,且依据与所述病症辨识参数对应的病症分数为高者,判定出所述峰值检测区间所属的病症。
可选地,所述生理信号分析方法还包括以下处理步骤:设定用以记录给分次数的参数值,其中所述给分次数为前述病症权重参数之一,于计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者,则记录所述给分的次数,且所述给分的次数要到达一预定值时,则进行前述加总各小区间的各所述病症辨识参数的病症分数的步骤。
可选地,所述生理信号分析方法还包括以下步骤:提供使用者针对所述判定结果来修改其所输入的病症评估数据,藉以优化所述所储存的病症辨识参数及病症权重参数。
本发明还提供一种生理信号分析系统,用以供用户对受测者的生理信号进行病症的判定,所述系统包括:生理信号检测模块,用于对所收集到的受测者的生理信号撷取特征值,藉以进行预定波形的检测,并输出所述检测结果;病症评估模块,用于提供用户针对所述生理信号检测模块所输出的检测结果进行病症判定,并输入相应的病症评估数据,且依据所述输入的病症评估数据生成病症辨识参数及病症权重参数;以及判定模块,依据所述病症评估模块所生成的病症辨识参数及病症权重参数,针对所述生理信号检测模块所输出的检测结果进行分析,并输出判定结果。
所述生理信号包括:EEG、ECoG、EKG、EMG、或ECG生理信号。
可选地,所述生理信号检测模块包括:数字滤波单元,用于滤除所述所收集到生理信号中的噪声,将所撷取到的所述生理信号所占频带的信号予以输出;小波转换单元,用于针对所述数字滤波单元所输出的信号执行小波转换处理,以生成小波系数,藉以撷取所述生理信号中的特征值,且将所述生成的小波系数储存于储存单元中;以及峰值检测单元,针对所述储存单元中的小波系数进行波形分析检测,以得到所述笔生理信号的峰值出现时间,并输出所述检测结果。
可选地,所述峰值检测单元预先定义生理信号的峰值检测区间,并设定所述峰值检测区间内输入数据的门槛值参数,所述门槛值参数用以排除在所述峰值检测区内不必要的取样点,且接收所述收集到的生理信号的输入数据,直至判断所收集到的生理信号的输入数据满足所述设定的峰值检测区间内输入数据的门槛值;取得各所述峰值检测区间内的生理信号的峰值数据;比较相邻的两峰值检测区间的峰值数据所对应的波形出现时间,以判断所述两笔峰值数据是否属于同一笔生理信号,并依据所述判断结果更新所述设定的峰值检测区间内输入数据的门槛值参数,且得到所述笔生理信号的峰值出现时间。
可选地,所述的生理信号分析系统还包括:用以储存所述病症评估模块所生成的病症辨识参数的病症评估储存模块,所述判定模块依据所述定义的峰值检测区间,收集一峰值检测区间内受测者的生理信号,并取得所述峰值检测区间内的峰值出现时间以及所述峰值检测区间内的生理信号所对应的小波系数,将取得所述峰值出现时间的峰值检测区间划分为多个小区间,计算各小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和,依照计算出所述两曲线差异大小总和对所述划分的各小区间进行给分,其中所述给分的处理主要依据所述病症辨识参数对应的病症分数,其中所述病症分数为前述病症权重参数之一,并针对各小区间的病症分数进行加总,以分析出所述判定结果并予以输出。
可选地,计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者,表示所述受测者的生理信号与所述所储存的病症辨识参数相近,得以对所述病症分数进行给分。
可选地,所述判定模块于计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者而对所述小区间进行给分后,加总各小区间的各所述病症辨识参数的病症分数,且依据与病症辨识参数对应的病症分数为高者,判定出所述峰值检测区间所属的病症。
可选地,所述判定模块还设定用以记录给分次数的参数值,其中所述给分次数为前述病症权重参数之一,于计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者,则记录所述给分的次数,且所述给分的次数要到达一预定值时,则加总各小区间的各所述病症辨识参数的病症分数,得以依据与病症辨识参数对应的病症分数为高者,判定出所述峰值检测区间所属的病症。
可选地,所述生理信号检测模块还包括感测单元,用于感测所述受测者的生理状况,以取得所述受测者的生理信号。
可选地,所述数字滤波单元为低通滤波器、高通滤波器、带通滤波器、带阻滤波器或以上滤波器的组合。
所述的生理信号分析系统还包括:病症评估储存模块,且所述病症评估模块包括:小波反转换单元,用于针对所述小波转换单元所输出的小波系数执行小波反转换处理,藉以将其还原为原始的生理信号;病症评估单元,用于提供使用者针对所述峰值检测单元所输出的检测结果进行病症判定,并输入相应的病症评估数据;以及换算单元,用于依据所述病症评估单元所输入的病症评估数据生成病症辨识参数及病症权重参数,并储存于所述病症评估储存模块。
所述病症评估单元还提供用户针对所述判定结果来修改其所输入的病症评估数据,藉以优化所述病症评估储存模块所储存的病症辨识参数及病症权重参数。
相较于现有技术,本发明的生理信号分析方法及其系统,其结合了使用者(例如医疗者)意见及受测者生理数据进行分析判定,能有效降低分析判定的误差率,并引入人工智能与机器学习(machinelearning)于软硬件设计中,因此分析结果更能为医患双方所接受,从而提升其实用价值。此外,本发明亦可减少非必要数据的输入,不但可降低系统运作负荷,降低硬件成本,亦能简化医师诊断作业的复杂度。
附图说明
图1显示为用以说明本发明的生理信号分析方法的运作流程图;
图2显示为图1的生理信号分析方法中步骤S103中预定波形的检测步骤的具体运作流程图;
图3显示为图1的生理信号分析方法中步骤S109对于病症辨识步骤的具体运作流程图;
图4显示为本发明生理信号分析系统之基本系统架构图。
组件标号说明
S101~S109步骤
S201~S217步骤
S301~S316步骤
100生理信号分析系统
110生理信号检测模块
111感测单元
113数字滤波单元
115小波转换单元
1151小波系数内存
117峰值检测单元
120病症评估模块
121小波反转换单元
123病症评估单元
125换算单元
130判定模块
140病症评估储存模块
141病症辨识参数
143病症权重参数
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,显示为本发明的生理信号分析方法的运作流程图。如图所示,首先执行步骤S101,感测并收集受测者的生理信号,于本实施例中,所感测的生理信号包括:EEG、ECoG、EKG、EMG、或ECG等生理信号,接着进行步骤S103。
于步骤S103中,撷取所述生理信号中的特征值以进行预定波形的检测,并输出检测结果。具体而言,本发明先利用预定之算法(例如Haar小波转换)对所述受测者的生理信号进行小波转换以撷取其特征值,并存入一内存或缓存器等的储存单元中,再利用转换得出的小波系数进行峰值检测以找出每一笔生理信号峰值,一旦找到峰值,便从所述储存单元中提取固定长度的小波分析值,并将所述小波分析值与所述感测到的生理信号作为检测结果予以输出(请容后于图2详细说明),接着进行步骤S105。
于步骤S105中,提供使用者针对所述输出的检测结果进行诊断,并输入病症评估数据,于本实施例中,所述输出的小波分析值含有一对应的注记时间点,使用者可根据所述小波分析值对应的注记时间点,输入其所属病症及所述诊断所需的检测区间范围,以作为后续生成病症辨识参数与病症权重参数的基础。接着进行步骤S107。
于步骤S107中,以使用者所输入的病症评估数据为基础,生成客制化之病症辨识参数及病症权重参数,并在经由使用者确认了上述参数数据后将其储存于病症评估储存模块中,接着进行步骤S109。
于步骤S109中,依据所述病症评估储存模块中所储存的病症辨识参数及病症权重参数,对所接收到的生理信号进行分析以判断出所述生理信号所对应的病症,并输出相应的判定结果且提供使用者确认所述判定结果,请容后于图3详细说明前述病症辨识参数及病症权重参数的作用。
以心电检测为例,用户可藉由一显示界面观察受测者的生理信号,并当发现不正常的心跳信号时,可针对所述笔生理信号添加相关的病症注记并设定其权重比例,由此,本发明便会产生对应所述笔不正常心跳信号的病症辨识参数及病症权重参数,并于下一笔数据输入时,本发明以所述既有的病症辨识参数及病症权重参数进行病症判定,若使用者同意所述判定结果,其则仅需进行确认的输入即可;反之,则由使用者针对所述相关病症辨识参数或病症权重参数进行修改,例如使用者可更改如下述图3所述的给分次数(TopN),直至所输出的判定结果符合使用者的诊疗意见,此过程即为病症辨识参数及病症权重参数的二次优化过程,藉此以减低对检测结果的判定误差率,从而提高用户对于生理信号检测分析仪器在实际操作过程中的信赖度,进而有效辅助使用者提升诊疗工作效率。
图2为前述生理信号分析方法步骤S103中预定波形的检测步骤的具体运作流程图。以下将以心跳检测为例具体说明本发明的预定波形的检测流程。
首先进行步骤S201,定义生理信号的峰值检测区间,并设定所述峰值检测区间内输入数据的门槛值参数(threshold)。举例而言,仍以前述的心电检测为例,此处所谓的峰值检测区间也就是心跳检测区间,由于人类心跳的速度上限为220bpm,以系统取样频率480Hz计算,为128个取样点,故本发明定义所述峰值检测区间为128个取样点,在此区间内只会出现一笔心跳或不出现心跳,而不会出现两笔心跳的情况,如此则只需判断每笔峰值检测区间的最大值即可,然此部分可依据病患症状与用户需求,进行频率与取样点的调整,以侦测致命性之心跳变异,如心跳速率高达400bpm。此外,由于输入数据为依序输入且为实时性的,所以在收集完一个区间的数据后才进入下个步骤,故在此本发明提供设定一输入数据的门槛值参数,藉以去除一些不可能为心跳出现时间的取样点,以减少需运算的数据,从而降低生理信号分析系统的运作负荷,同时亦可简化用户判读数据的复杂度,接着进行步骤S202。
步骤S202,接收生理信号输入数据(input_data),接着进行步骤S203。
步骤S203,判断所收集的生理信号输入数据是否满足所述设定的峰值检测区间内输入数据的门槛值,亦即,input_data*k>=threshold,若是则进行步骤S204,否则进行步骤S205。
步骤S204,判断是否接收到足够进行一峰值检测区间的生理信号输入数据,若是则进行步骤S206,否则返回执行步骤S202,以继续输入数据。
步骤S205,当输入数据小于所述设定的门槛值时,则将输入数据以0代替,亦即input_data=0,并进行步骤S204。
步骤S206,判断是否在峰值检测区间的初始时间,本步骤于后续进行波形辨识时可以有一个完整检测区间的运算时间以及达到同步输出的效果,若判断出未处于检测区间的初始时间时,则进行步骤S218,等待到达峰值检测区间的初始时间,并重复执行步骤S206;反之,若判断出位于检测区间的初始时间时,则可选择进行步骤S207、S209或S213,需说明的是,所述步骤S207、S209或S213于执行过程中并无先后之分,这些步骤也可以同时执行,其中往步骤S207的处理流向为找出所述峰值检测区间内的峰值数据,往步骤S209的处理流向为判断相邻两个峰值检测区间内的两笔峰值资料是否为同一心跳,而往步骤S213的处理流向则为输出真正的心跳时间。
步骤S207,找出所述峰值检测区间内的最大值,本步骤为取得每一峰值检测区间内的生理信号的峰值数据,接着进行步骤S208。
步骤S208,针对找出所述输入数据为所述峰值检测区间内的最大值,则记录所述峰值数据,以将其储存于例如缓存器的储存单元中,并返回执行步骤S206。
步骤S209,比较相邻的两个峰值检测区间内的峰值数据所对应的波形出现时间,于本实施例中,将前一峰值检测区间内的峰值数据记录为last_data,而将当前峰值检测区间内的峰值数据记录为data,本步骤用于判断last_data与data的时间间距是否过近,若是,则进行步骤S211;若没有过近,也就是判断出前一峰值检测区间内的峰值资料与当前峰值检测区间内的峰值数据的时间间距够远,则表示当前峰值检测区间内的峰值数据可能为心跳,则进行步骤S210。
步骤S210,将当前峰值检测区间的峰值资料覆盖前一峰值检测区间的峰值数据,即last_data=data,接着返回执行步骤S206。
步骤S211,若分析前一峰值检测区间内的峰值资料与当前峰值检测区间内的峰值数据的时间间距过近,则继续判断前一峰值检测区间内的峰值资料是否大于或等于当前峰值检测区间内的峰值资料(即last_data>=data),若是,即判断两笔峰值数据的时间间距过近且前一峰值检测区间内的峰值数据last_data较大,则进行步骤S212,否则,即判断两笔峰值数据的时间间距过近且前一峰值检测区间内的峰值数据(last_data)较小,则进行步骤S210,以将当前峰值检测区间的峰值资料(data)覆盖前一峰值检测区间的峰值资料(last_data)。
步骤S212,本步骤系表示前一峰值检测区间内所储存的峰值数据(last_data)为真正的心跳,则在所述笔峰值数据予以输出后清空用于储存last_data的缓存器,亦即last_data=0,并返回执行步骤S206。
步骤S213,如前所述,本步骤用于输出真正心跳所在的时间,由于步骤S209判断式已将真正的心跳值暂存于last_data的缓存器中,为了提升检测数据的准确性,本步骤将同步比较last_data与data的数值数据,亦即,判断last_data>=data,若否,则进行步骤S214,若是,则进行步骤S215。
步骤S214,判断last_data与data的时间间距是否够远,若是,则进行步骤S215,若否,则返回执行步骤S206。
步骤S215,输出峰值last_data的出现时间,也就是输出真正心跳的出现时间,并进行步骤S216。
步骤S216,参考最新峰值数据,更新所述门槛值(threshold),于一般情况下,真正心跳的数值必定皆大于某一预定数值,由于其会影响到检测的精确度,因此为了找出所述预定数值,便须更新所述门槛值,于本实施例中,藉由目前的门槛值加上已找出的真实心跳数值的均值,以使所述门槛值无限接近所述预定数值,接着进行步骤S217。
步骤S217,判断是否继续有数据输入,若判断无数据输入则结束本步骤,若判断继续有数据输入,则返回执行步骤S202。
接着,请再参阅图3,图3为图1的生理信号分析方法中步骤S109中病症分析步骤的具体运作流程图,以下同样以心跳检测为例具体说明本发明的生理信号分析方法对于病症辨识的处理流程。
首先进行步骤S301,更新所述病症评估储存模块中的病症辨识参数数据及病症权重参数数据,并判断所述病症辨识参数及病症权重参数是否接收完毕,若判断接收完毕则进行步骤S302,若否,则重复执行本步骤S301。
步骤S302,依据所述定义的峰值检测区间,收集一峰值检测区间内受测者的生理信号,并针对所述峰值检测区间内所收集的生理信号执行小波转换处理以生成小波系数,接着进行步骤S303。
步骤S303,判断是否接收到足够进行一峰值检测区间的小波系数,若是则进行步骤S304;若否,则返回步骤S302以继续接收小波系数。
步骤S304,侦测所述峰值检测区间内的峰值出现时间,以侦测心跳出现的时间,并于侦测到峰值检测区间内的峰值出现时间时,进行步骤S305;若没有侦测到峰值出现时间,则重复执行本步骤S304。
步骤S305,对侦测到有所述峰值出现时间的峰值检测区间划分为若干小区间,于本实施例中,为了增加辨识精确度同时降低硬件成本,本发明将一峰值检测区间(如前述的128个取样点)再次细分为4个小区间(如32个取样点),并进行步骤S306。
步骤S306,计算一小区间内的小波系数与所述评估储存模块中所储存的病症辨识参数两曲线差异大小总和,接着进行步骤S307。
步骤S307,相互比较差异大小总和最小者,以找出最相似的病症,并进行步骤S308。
步骤S308,依照所述病症评估储存模块中所储存的病症权重参数针对所述小区间进行给分,其中所述给分的处理主要依据所述病症辨识参数对应的病症分数,其中所述病症分数亦可为前述病症权重参数之一,于本实施例中,使用者可设定每一小区间(32个取样点)给予0到15分(病症分数)并设定同一小区间内的给分次数(所述给分次数为前述病症权重参数之一),接着进行步骤S309。
步骤S309,判断此小区间的给分次数(TopN)>1,若是大于1,则进行步骤S310;若没有大于1则进行步骤S312。补充说明的是,并非是每次侦测到一笔峰值数据就一定要执行本步骤S309以及S310,以ECG为例,其便以侦测R波为主,此步骤主要侦测是否出现心跳,如以其他波形为例,则是检测特定波形,等待此特定波形出现即可。也就是,本发明图3所示的步骤S309以及步骤S310可依图2欲检测的预定波形结果来决定是否需予以设定所述给分次数(TopN)(如设定给分次数为1(TopN=1))。详而言之,如上可知,在图2就预定波形的检测步骤中的步骤S209至S211,其主要判断临近两区间的峰值是否为同一信号,假如现在侦测到两笔峰值,但此两笔峰值为同一信号,则只需执行一次图3流程。
步骤S310,将给分次数的数值减1,亦即TopN=TopN-1,接着进行步骤S311。
步骤S311,将先前比较结果,即步骤S307的比较结果最小者设为极值,以避免重复选取,并返回步骤S307再次依据与所述病症辨识参数对应的病症分数进行给分处理,直至给分次数TopN为1。
步骤S312,当判断出小区间的给分次数(TopN)为1,将当前已取得的各个小区间的病症分数(即前述步骤S308对与各所述病症辨识参数对应的病症分数进行给分的步骤)进行加总,并进行步骤S313。
步骤S313,判断当前运算的小区间是否为最后一小区间,若是,则进行步骤S314,若还没有对所有一小区间进行给分处理,则返回进行步骤S306。
步骤S314,相互比较各与所述病症辨识参数对应的病症分数,以病症分数得分最高的病症辨识参数为主,并进行步骤S315。
步骤S315,找出所述病症分数得分最高的所述病症辨识参数并予以输出,提供使用者针对所述输出的检测结果进行确认,接着进行步骤S316。此外,本案之生理信号分析系统复可提供用户针对所述检测结果修改所输入的病症评估数据,藉以优化所述病症评估储存模块中所储存的病症辨识参数及病症权重参数,提高本发明的生理信号分析系统的诊疗准确度。
步骤S316,判断是否还有小波系数输入,若判断无小波系数输入则结束本步骤,若判断继续有小波系数输入则返回进行步骤S302。
前述给分次数(TopN)的设定作用是进行多次给分,由于不同的病症其在同一峰值检测区间内的同一小区间也会有相似波形,此种情况会造成不同的病症在同一小区间相互抢分,使得辨识率降低。因此本发明乃在判定小区间的输入数据与所述所储存的病症辨识参数两曲线差异大小总和为最小后,则对所述给分次数(TopN)进行记录,并给予此时所述判定之病症分数(初次给分),及判定给分次数(TopN)进行二次、三次或四次给分(依据使用者设定)。此外,使用者更可将前述的波形识别处理后的病症权重参数予以储存,如此可以作为下次分析所述受测者生理状态的依据,藉此于下次判定出所述受测者的生理状态为进步或退步的比较依据,更甚者,还可据此更新或新增病症辨识参数,使往后的参考源更为完整。
另补充说明的是,本发明的生理信号分析方法的应用上,可应用于生理信号检测分析仪器上,所述生理信号检测分析仪器直接执行如图1、2及3所述的本发明生理信号分析方法,也就是,用户透过所述生理信号检测分析仪器来对所述受测者进行生理信号的分析,因此,本发明更可提供一种内储生理信号分析程序之计算机程序产品,所述计算机程序产品例如生理信号检测分析仪器等用户端电子装置,其藉由所述生理信号分析程序来执行如图1、2及3所述的各步骤。
此外,须特别提出说明的是,本发明的生理信号分析方法于图1的步骤S101中,对于受测者的生理信号感测步骤可以是在另一个用户端电子装置上进行,换言之,前述图1的步骤S101,可以只是收集受测者的生理信号。
再者,请参阅图4,图4为本发明的生理信号分析系统之基本系统架构图。本发明的生理信号分析系统包括:生理信号检测模块110、病症评估模块120、病症评估储存模块140以及判定模块130。
生理信号检测模块110用于感测并收集受测者的生理信号,并利用预定之算法自所述收集的生理信号中撷取特征值藉以进行预定波形的检测,并输出所述检测结果,其中,所述生理信号可为EEG、ECoG、EKG、EMG或ECG生理信号。于本实施例中,所述生理信号检测模块110包括:感测单元111、数字滤波单元113、小波转换单元115、以及峰值检测单元117。在此须强调的是,同前所述,本发明的生理信号分析系统中的生理信号检测模块110,对于受测者生理信号的感测处理,可以由另一个用户端电子装置(在此未予以图示)来执行,简言之,本发明的生理信号检测模块110是在自所述收集到的生理信号中撷取特征值藉以进行预定波形的检测。而本实施例中,是将生理信号的感测整合于生理信号检测模块110,然而上述可知,并不局限于此。
感测单元111用于感测并收集受测者的生理信号。数字滤波单元113则用于滤除所述感测单元111所感测之生理信号中的噪声,并撷取生理信号所占频带的信号,其中,所述数字滤波单元113为低通滤波器、高通滤波器、带通滤波器、带阻滤波器或以上滤波器的组合,但并不局限于此。小波转换单元115用于针对所述数字滤波单元113所输出的生理信号执行小波转换处理以生成小波系数,藉以撷取所述生理信号中的特征值,且将所述生成的小波系数储存于小波系数内存1151(并不以此为限,亦可为缓存器等储存单元)中。峰值检测单元117系利用预定之算法针对所述小波系数内存1151中的小波系数进行波形分析检测,以得到每一笔生理信号的峰值出现时间,并输出所述检测结果。
病症评估模块120用于提供用户针对所述生理信号检测模块110所输出的检测结果进行病症判定,并输入相应的病症评估数据,且依据所述输入的病症评估数据生成客制化之病症辨识参数141及病症权重参数143并储存于病症评估储存模块140中。于本实施例中,所述病症评估模块120包括:小波反转换单元121、病症评估单元123以及换算单元125。
小波反转换单元121用于针对所述小波转换单元115所输出的小波系数执行小波反转换处理,藉以将其还原为原始的生理信号,并藉由一显示接口(未予图标)予以输出俾供使用者进行病症评估参考。病症评估单元123用于提供使用者针对所述峰值检测单元117所输出的检测结果进行病症判定,并输入相应的病症评估数据。换算单元125用于依据所述病症评估单元123所输入的病症评估数据,生成客制化之病症辨识参数141及病症权重参数143并储存于病症评估储存模块140,其中,所述病症评估储存模块140及前述之小波系数内存1151可为静态随机存取内存、动态随机存取内存、电子刻录式内存或任何挥发性、非挥发性或其他类型的内存或储存单元,但并不局限于此。
判定模块130用于依据所述病症评估储存模块140中所储存的病症辨识参数141及病症权重参数143,针对所述生理信号检测模块110所输出的检测结果进行分析,并输出判定结果。综上所述,本发明的生理信号分析方法及其系统系结合了用户的意见来进行分析,可改善习知生理信号检测分析仪器于实际操作过程中往往背离了使用者人力判定环节,藉由本发明所输出的分析判定结果更能取信于医患双方,以提升其实用价值,此外,可结合使用者专业的意见及受测者生理数据进行分析的方式确实提升系统检测分析上的准确度以有效提高医师诊疗工作的效率。再者,本发明透过设置数据输入门槛值的方式,可减少大量非必要数据的输入,不但可降低生理信号检测分析仪器的系统运作负荷,亦能简化医师诊断的复杂度。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (20)
1.一种生理信号分析方法,其特征在于,所述方法包括以下步骤:
收集受测者的生理信号;
撷取所述生理信号中的特征值以进行预定波形的检测,并输出检测结果;
提供使用者针对所述检测结果输入的病症评估数据;
依据所述输入的病症评估数据生成病症辨识参数及病症权重参数并将其予以储存;以及
依据所储存的病症辨识参数及病症权重参数,针对所收集到的受测者的生理信号进行分析,并输出判定结果。
2.根据权利要求1所述的生理信号分析方法,其特征在于,所述生理信号包括EEG、ECoG、EKG、EMG、或ECG生理信号。
3.根据权利要求1所述的生理信号分析方法,其特征在于,所述预定波形的检测的步骤包括以下处理步骤:
定义生理信号的峰值检测区间,并设定所述峰值检测区间内输入数据的门槛值参数,所述门槛值参数用以排除在所述峰值检测区内不必要的取样点;
接收所述收集到的生理信号输入数据,直至判断所收集到的生理信号输入数据满足所述设定的峰值检测区间内输入数据的门槛值;
取得各所述峰值检测区间内的生理信号的峰值数据;以及
比较相邻的两峰值检测区间的峰值数据所对应的波形出现时间,以判断所述两笔峰值数据是否属于同一笔生理信号,并依据所述判断结果更新所述设定的峰值检测区间内输入数据的门槛值参数,且得到该笔生理信号的峰值出现时间。
4.根据权利要求3所述的生理信号分析方法,其特征在于,依据所储存的病症辨识参数及病症权重参数,针对所收集到的受测者的生理信号进行分析而输出判定结果的步骤包括以下处理步骤:
依据所述定义的峰值检测区间,收集一峰值检测区间内受测者的生理信号,并针对所述峰值检测区间内所收集的生理信号执行小波转换处理以生成小波系数;
取得所述峰值检测区间内的峰值出现时间;
将取得所述峰值出现时间的峰值检测区间划分为多个小区间,计算各小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和;以及
依照计算出所述两曲线差异大小总和对所述划分的各小区间进行给分,其中所述给分的处理主要依据所述病症辨识参数对应的病症分数,其中所述病症分数为前述病症权重参数之一,并针对各小区间的病症分数进行加总,以分析出所述判定结果并予以输出。
5.根据权利要求4所述的生理信号分析方法,其特征在于,计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者,表示所述受测者的生理信号与所述所储存的病症辨识参数相近,得以对所述病症分数进行给分。
6.根据权利要求5所述的生理信号分析方法,其特征在于,针对所收集到的受测者的生理信号进行分析而输出判定结果的步骤还包括以下处理步骤:
于计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者而对所述小区间的病症分数进行给分后,加总各小区间的各所述病症辨识参数的病症分数,且依据与所述病症辨识参数对应的病症分数为高者,判定出所述峰值检测区间所属的病症。
7.根据权利要求6所述的生理信号分析方法,其特征在于,还包括以下处理步骤:设定用以记录给分次数的参数值,其中所述给分次数为前述病症权重参数之一,于计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者,则记录所述给分的次数,且所述给分的次数要到达一预定值时,则进行前述加总各小区间的各所述病症辨识参数的病症分数的步骤。
8.根据权利要求4所述的生理信号分析方法,其特征在于,还包括以下步骤:提供使用者针对所述判定结果来修改其所输入的病症评估数据,藉以优化所述所储存的病症辨识参数及病症权重参数。
9.一种生理信号分析系统,用以供用户对受测者的生理信号进行病症的判定,其特征在于,所述系统包括:
生理信号检测模块,用于对所收集到的受测者的生理信号撷取特征值,藉以进行预定波形的检测,并输出所述检测结果;
病症评估模块,用于提供用户针对所述生理信号检测模块所输出的检测结果进行病症判定,并输入相应的病症评估数据,且依据所述输入的病症评估数据生成病症辨识参数及病症权重参数;以及
判定模块,依据所述病症评估模块所生成的病症辨识参数及病症权重参数,针对所述生理信号检测模块所输出的检测结果进行分析,并输出判定结果。
10.根据权利要求9所述的生理信号分析系统,其特征在于,所述生理信号包括:EEG、ECoG、EKG、EMG、或ECG生理信号。
11.根据权利要求9所述的生理信号分析系统,其特征在于,所述生理信号检测模块包括:
数字滤波单元,用于滤除所述所收集到生理信号中的噪声,将所撷取到的所述生理信号所占频带的信号予以输出;
小波转换单元,用于针对所述数字滤波单元所输出的信号执行小波转换处理,以生成小波系数,藉以撷取所述生理信号中的特征值,且将所述生成的小波系数储存于储存单元中;以及
峰值检测单元,针对所述储存单元中的小波系数进行波形分析检测,以得到所述笔生理信号的峰值出现时间,并输出所述检测结果。
12.根据权利要求11所述的生理信号分析系统,其特征在于,所述峰值检测单元预先定义生理信号的峰值检测区间,并设定所述峰值检测区间内输入数据的门槛值参数,所述门槛值参数用以排除在所述峰值检测区内不必要的取样点,且接收所述收集到的生理信号的输入数据,直至判断所收集到的生理信号的输入数据满足所述设定的峰值检测区间内输入数据的门槛值;取得各所述峰值检测区间内的生理信号的峰值数据;比较相邻的两峰值检测区间的峰值数据所对应的波形出现时间,以判断所述两笔峰值数据是否属于同一笔生理信号,并依据所述判断结果更新所述设定的峰值检测区间内输入数据的门槛值参数,且得到所述笔生理信号的峰值出现时间。
13.根据权利要求11所述的生理信号分析系统,其特征在于,还包括:用以储存所述病症评估模块所生成的病症辨识参数的病症评估储存模块,所述判定模块依据所述定义的峰值检测区间,收集一峰值检测区间内受测者的生理信号,并取得所述峰值检测区间内的峰值出现时间以及所述峰值检测区间内的生理信号所对应的小波系数,将取得所述峰值出现时间的峰值检测区间划分为多个小区间,计算各小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和,依照计算出所述两曲线差异大小总和对所述划分的各小区间进行给分,其中所述给分的处理主要依据所述病症辨识参数对应的病症分数,其中所述病症分数为前述病症权重参数之一,并针对各小区间的病症分数进行加总,以分析出所述判定结果并予以输出。
14.根据权利要求13所述的生理信号分析系统,其特征在于,计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者,表示所述受测者的生理信号与所述所储存的病症辨识参数相近,得以对所述病症分数进行给分。
15.根据权利要求13所述的生理信号分析系统,其特征在于,所述判定模块于计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者而对所述小区间进行给分后,加总各小区间的各所述病症辨识参数的病症分数,且依据与病症辨识参数对应的病症分数为高者,判定出所述峰值检测区间所属的病症。
16.根据权利要求15所述的生理信号分析系统,其特征在于,所述判定模块还设定用以记录给分次数的参数值,其中所述给分次数为前述病症权重参数之一,于计算出的小区间内小波系数与所述所储存的病症辨识参数两曲线差异大小总和为小者,则记录所述给分的次数,且所述给分的次数要到达一预定值时,则加总各小区间的各所述病症辨识参数的病症分数,得以依据与病症辨识参数对应的病症分数为高者,判定出所述峰值检测区间所属的病症。
17.根据权利要求11所述的生理信号分析系统,其特征在于,所述生理信号检测模块还包括感测单元,用于感测所述受测者的生理状况,以取得所述受测者的生理信号。
18.根据权利要求11所述的生理信号分析系统,其特征在于,所述数字滤波单元为低通滤波器、高通滤波器、带通滤波器、带阻滤波器或以上滤波器的组合。
19.根据权利要求11所述的生理信号分析系统,其特征在于,还包括:病症评估储存模块,且所述病症评估模块包括:
小波反转换单元,用于针对所述小波转换单元所输出的小波系数执行小波反转换处理,藉以将其还原为原始的生理信号;
病症评估单元,用于提供使用者针对所述峰值检测单元所输出的检测结果进行病症判定,并输入相应的病症评估数据;以及
换算单元,用于依据所述病症评估单元所输入的病症评估数据生成病症辨识参数及病症权重参数,并储存于所述病症评估储存模块。
20.根据权利要求19所述的生理信号分析系统,其特征在于,所述病症评估单元还提供用户针对所述判定结果来修改其所输入的病症评估数据,藉以优化所述病症评估储存模块所储存的病症辨识参数及病症权重参数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103120259 | 2014-06-11 | ||
TW103120259A TWI522958B (zh) | 2014-06-11 | 2014-06-11 | 生理訊號分析方法及其系統與內儲生理訊號分析程式之電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105212919A true CN105212919A (zh) | 2016-01-06 |
CN105212919B CN105212919B (zh) | 2018-10-19 |
Family
ID=54835144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410489894.5A Active CN105212919B (zh) | 2014-06-11 | 2014-09-23 | 生理信号分析系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9380954B2 (zh) |
CN (1) | CN105212919B (zh) |
TW (1) | TWI522958B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114126498A (zh) * | 2019-07-22 | 2022-03-01 | 麦克赛尔株式会社 | 检测装置和检测方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI630903B (zh) * | 2016-04-20 | 2018-08-01 | 國立勤益科技大學 | 基於擬合曲線之心跳訊號的檢測方法、檢測裝置以及處理方法 |
US20210110925A1 (en) * | 2017-05-22 | 2021-04-15 | Adaptive, Intelligent and Dynamic Brian Corporation (AidBrain) | Method, module and system for analysis of brain electrical activity |
WO2019060298A1 (en) | 2017-09-19 | 2019-03-28 | Neuroenhancement Lab, LLC | METHOD AND APPARATUS FOR NEURO-ACTIVATION |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
TWI653967B (zh) | 2017-12-08 | 2019-03-21 | 國立成功大學 | 心律不整診斷系統與裝置及心律不整辨識方法 |
US11318277B2 (en) | 2017-12-31 | 2022-05-03 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to enhance emotional response |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
CA3112564A1 (en) | 2018-09-14 | 2020-03-19 | Neuroenhancement Lab, LLC | System and method of improving sleep |
CN111161866B (zh) * | 2018-11-07 | 2023-11-17 | 深圳初量科技有限公司 | 一种具有辅助身份识别机制的识别方法 |
US11642087B2 (en) | 2019-01-25 | 2023-05-09 | Samsung Electronics Co., Ltd. | Method and apparatus for pre-processing PPG signal |
TWI682354B (zh) * | 2019-02-25 | 2020-01-11 | 山衛科技股份有限公司 | 認知學習系統及其系統思考學習方法 |
TWI687895B (zh) * | 2019-04-12 | 2020-03-11 | 鉅怡智慧股份有限公司 | 生理狀態判斷系統 |
US11786694B2 (en) | 2019-05-24 | 2023-10-17 | NeuroLight, Inc. | Device, method, and app for facilitating sleep |
WO2022068858A1 (zh) * | 2020-09-30 | 2022-04-07 | 北京优理医疗器械有限公司 | 生理数据的收集、管理、显示装置和方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5819007A (en) * | 1996-03-15 | 1998-10-06 | Siemens Medical Systems, Inc. | Feature-based expert system classifier |
US20020052559A1 (en) * | 1999-09-29 | 2002-05-02 | Watrous Raymond L. | System for processing audio, video and other data for medical diagnosis and other applications |
US20100211125A1 (en) * | 2006-09-13 | 2010-08-19 | Christopher Dale Johnson | Method and Apparatus for Identifying Potentially Misclassified Arrhythmic Episodes |
CN102163257A (zh) * | 2011-02-22 | 2011-08-24 | 郑州大学 | 心电监护与自适应模糊推理网络的冠心病自诊断系统 |
CN103083013A (zh) * | 2013-01-18 | 2013-05-08 | 哈尔滨工业大学深圳研究生院 | 基于形态学与小波变换的心电信号qrs复波检测方法 |
CN103251405A (zh) * | 2013-04-18 | 2013-08-21 | 深圳市科曼医疗设备有限公司 | 心律失常分析方法和系统 |
CN103690156A (zh) * | 2013-11-22 | 2014-04-02 | 东软熙康健康科技有限公司 | 一种心率获取方法及心电信号的处理方法 |
-
2014
- 2014-06-11 TW TW103120259A patent/TWI522958B/zh active
- 2014-09-23 CN CN201410489894.5A patent/CN105212919B/zh active Active
-
2015
- 2015-03-09 US US14/642,665 patent/US9380954B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5819007A (en) * | 1996-03-15 | 1998-10-06 | Siemens Medical Systems, Inc. | Feature-based expert system classifier |
US20020052559A1 (en) * | 1999-09-29 | 2002-05-02 | Watrous Raymond L. | System for processing audio, video and other data for medical diagnosis and other applications |
US20100211125A1 (en) * | 2006-09-13 | 2010-08-19 | Christopher Dale Johnson | Method and Apparatus for Identifying Potentially Misclassified Arrhythmic Episodes |
CN102163257A (zh) * | 2011-02-22 | 2011-08-24 | 郑州大学 | 心电监护与自适应模糊推理网络的冠心病自诊断系统 |
CN103083013A (zh) * | 2013-01-18 | 2013-05-08 | 哈尔滨工业大学深圳研究生院 | 基于形态学与小波变换的心电信号qrs复波检测方法 |
CN103251405A (zh) * | 2013-04-18 | 2013-08-21 | 深圳市科曼医疗设备有限公司 | 心律失常分析方法和系统 |
CN103690156A (zh) * | 2013-11-22 | 2014-04-02 | 东软熙康健康科技有限公司 | 一种心率获取方法及心电信号的处理方法 |
Non-Patent Citations (2)
Title |
---|
谢远国: "心电波形的检测与分类技术研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 医药卫生科技辑(季刊 )》 * |
陈静等: "基于动态自适应阈值法的QRS波群检测方法", 《中国新通信》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114126498A (zh) * | 2019-07-22 | 2022-03-01 | 麦克赛尔株式会社 | 检测装置和检测方法 |
CN114126498B (zh) * | 2019-07-22 | 2024-05-17 | 麦克赛尔株式会社 | 检测装置和检测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201546754A (zh) | 2015-12-16 |
TWI522958B (zh) | 2016-02-21 |
US20150359450A1 (en) | 2015-12-17 |
US9380954B2 (en) | 2016-07-05 |
CN105212919B (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105212919A (zh) | 生理信号分析方法及其系统 | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
Sopic et al. | Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems | |
Oresko et al. | A wearable smartphone-based platform for real-time cardiovascular disease detection via electrocardiogram processing | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
CN101478912A (zh) | 评估痴呆与痴呆型紊乱 | |
WO2015199258A1 (ko) | 진단모델 생성 시스템 및 방법 | |
CN109864736A (zh) | 心电信号的处理方法、装置、终端设备及介质 | |
CN102831288B (zh) | 生理参数指标运算系统及方法 | |
CN102551701A (zh) | 通过周期性信号分析检测实体物件异常运作的系统及方法 | |
CN109846474B (zh) | 心电图的处理方法及装置、心电图的远程处理方法及系统 | |
CN105611872A (zh) | 用于评估多通道ecg信号的装置和方法 | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
Paula Rocha et al. | Beyond long memory in heart rate variability: an approach based on fractionally integrated autoregressive moving average time series models with conditional heteroscedasticity | |
CN105574322A (zh) | 生理参数指标运算系统及方法 | |
CN117617921A (zh) | 基于物联网的智能血压监控系统及方法 | |
CN205163106U (zh) | 一种便携式胃肠音检测装置 | |
CN107463689A (zh) | 运动特征数据库的生成方法、运动状态识别方法及终端 | |
CN115019924A (zh) | 应用人工智能健康机器人的健康数据采集和分析方法 | |
Pappa et al. | Multichannel symbolic aggregate approximation intelligent icons: Application for activity recognition | |
US20210298625A1 (en) | System and method for detecting and predicting an occurrence of cardiac events from electrocardiograms | |
Al-Hamadi et al. | A framework for the verification of an ecg biosensor algorithm | |
WO2021056286A1 (zh) | 一种血压标定选择方法及其建模方法 | |
Al-Yousif et al. | Intrapartum cardiotocography trace pattern pre-processing, features extraction and fetal health condition diagnoses based on RCOG guideline | |
CN102389301B (zh) | 通用生理信号转换器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |