CN106539580B - 一种自主神经系统动态变化的连续监测方法 - Google Patents

一种自主神经系统动态变化的连续监测方法 Download PDF

Info

Publication number
CN106539580B
CN106539580B CN201611039607.6A CN201611039607A CN106539580B CN 106539580 B CN106539580 B CN 106539580B CN 201611039607 A CN201611039607 A CN 201611039607A CN 106539580 B CN106539580 B CN 106539580B
Authority
CN
China
Prior art keywords
parameters
seconds
autonomic nervous
penjialai
nervous system
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.)
Active
Application number
CN201611039607.6A
Other languages
English (en)
Other versions
CN106539580A (zh
Inventor
李津
陈翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Huachen Petroleum Technology Co ltd
Suzhou Sanlang Medical Technology Co ltd
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201611039607.6A priority Critical patent/CN106539580B/zh
Publication of CN106539580A publication Critical patent/CN106539580A/zh
Application granted granted Critical
Publication of CN106539580B publication Critical patent/CN106539580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4029—Detecting, measuring or recording for evaluating the nervous system for evaluating the peripheral nervous systems
    • A61B5/4041—Evaluating nerves condition
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/03—Intensive care
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/07—Home care
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/09—Rehabilitation or training

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Cardiology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (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)

Abstract

本发明一种自主神经系统动态变化的连续监测方法，包括下述步骤，首先采集心电信号或体表的光电容积脉搏波信号，采集的信号是未经滤波处理、采样频率在500Hz及以上的原始信号；对采集信号按照一定的计算窗长度进行截取；对截取信号采用去基线和去工频干扰等预处理；对所得的预处理信号检测心电信号的R波波峰或光电容积脉搏波的峰值点；计算每拍的RR间期或峰峰值间期；对提取的间期序列计算三个彭家莱参数SD1、SD2、SD1/SD2；不断向后移动计算窗重复彭家莱参数的计算操作，直至所有数据处理完毕；对得到的三个彭家莱参数分别绘制变化曲线以表征自主神经系统的连续动态变化，在较为精细的时间尺度上实现连续监测。

Description

一种自主神经系统动态变化的连续监测方法
技术领域
本发明涉及数字信号处理方法，具体为一种自主神经系统动态变化的连续监测方法。
背景技术
自主神经系统对于心血管系统的调节是一个动态变化的过程。当人体生理状态发生变化、受到外部刺激或受到病理因素影响时，出于满足新的新陈代谢需要或出于对机体的保护，自主神经系统会做出快速的响应，一般而言，迷走神经分支的响应速度在1秒钟以内，而交感神经分支的响应速度相对较慢，但也在4、5秒之内。比如人体从静息状态进入运动状态时，迷走神经活性陡然衰减，从而导致运动伊始心率便迅速上升，而随着运动强度的增加，交感神经活性会抑制迷走神经对心率的调节作用，使得心率主要受交感神经作用而上升；再如冷加压实验中，将手放入冰水中，交感神经活性在30秒后会不断增加；而像睡眠呼吸暂停综合征患者睡眠呼吸事件发生的10秒-1分多钟的时间内，自主神经系统也会产生相应的快速应激反应。当环境、条件变化时自主神经系统的这些动态响应包含了丰富的生理和病理信息，对其进行连续的量化监测无疑对于掌握人体自身的调节能力、健康状况有着十分重要的意义。
现有关于自主神经系统的无创检测主要是采用心率变异性分析方法。它的原理在于由于自主神经系统的交感和迷走两个分支共同作用于心脏窦房结，从而使得每一拍心率都会因两者相互作用而出现微小的涨落，而这些微小的涨落可以通过心率变异性指标加以量化表征。传统的心率变异性分析方法都基于一个假设，即认为在分析的时长范围内，自主神经系统处于一种稳定的状态，交感和迷走的相互作用关系保持不变。从信号的角度而言，其认为分析的心拍间期序列是一个平稳过程。在这个前提下，为便于规范比较，临床往往采用两种不同时长作为检测标准，即长时程(24小时)或短时程(5分钟)。并在时域、频域、非线性等不同领域定义了一系列心率变异性指标，用以表征迷走、交感以及两者之间平衡状态的变化。很显然，传统的心率变异性分析方法无法对自主神经的动态变化有效检测评估。
为捕获自主神经系统的快速变化，近年来极短时心率变异性方法备受关注。通过研究发现，在平稳状态下，对于小于1分钟时间长度的数据计算的一些心率变异性指标，如时域的RMSSD,SDNN；频域的低频(0.04-0.15Hz)功率，高频(0.15-0.4Hz)功率及其衍生的指标；以及非线性彭家莱参数SD1,SD2以及其比值都能达到和标准时长心率变异性指标一样的检测效果。但是频域指标，在一些特定生理状态下，如中度运动时，由于一些非神经因素引起的振荡成分变得显著，会严重影响和改变原有与自主神经活动相对应的高低频成分，因而造成测量上的错误。而对于时域指标，彭家莱参数与其有着很强的对应关系，却比它们包含有更丰富的信息，且作为一种非线性分析手段，彭家莱方法更加适于非平稳过程分析。因此，在众多的心率变异性指标中，彭家莱三个典型参数已成为在评测自主神经系统动态变化方面最具优势的指标。
尽管极短时分析相较传统方法已能对自主神经系统的动态变化有一定程度的表征。但从统计意义出发，现有心率变异性分析对于自主神经系统动态变化检测存在局限性，现有心率变异性指标只能从整体上反映某一个时间段内自主神经系统的整体状态。心率变异性指标的计算对于数据长度总有一定的要求，对于小于1分钟的极短时分析，较为合适的数据分析长度约为30秒左右。在这个时间尺度上，显然自主神经系统的一些快速瞬态变化仍然难以有效反映出来，比如静息到运动状态转变时自主神经功能的跳变，或短至10秒的呼吸暂停事件过程中自主神经系统的瞬态变化。
发明内容
针对现有技术中存在的问题，本发明提供一种自主神经系统动态变化的连续监测方法，采用滑动窗技术计算连续变化的彭家莱参数来表征自主神经系统快速动态变化从而进行连续监测，使用简便无创能够及时捕获自主神经系统瞬变或渐变的动态趋势。
本发明是通过以下技术方案来实现：
一种自主神经系统动态变化的连续监测方法，包括下述步骤：
步骤1，采集心电或体表微血管床光电容积脉搏波原始信号；
步骤2，对采集到的原始心电信号或光电容积脉搏波信号，截取时间长度为N的数据段作为计算窗宽，其中，10秒≤N≤60秒；
步骤3，对通过计算窗截取的心电信号或光电容积脉搏波信号进行预处理；
步骤4，对预处理后的心电信号检测每拍R波，或对预处理后的光电容积脉搏波信号检测每拍的峰值点；
步骤5，根据检测的每拍R波提取RR间期，或根据检测的峰值点提取峰值点间期；
步骤6，根据提取的RR间期或峰值点间期序列计算彭家莱参数SD1、SD2和SD1/SD2；并对所得的参数值进行保存或实时显示；
步骤7，将数据截取段的起始点向后移n个时间单位，对后续数据进行处理；其中，1秒≤n≤5秒；
步骤8，若后续数据长度不小于N，则重复步骤2—7；
步骤9，若后续数据长度小于N，则全部数据处理完毕，分别绘制三个彭家莱参数的连续变化曲线图，实现自主神经系统动态变化的连续监测。
优选的，步骤1中，采集的心电信号或光电容积脉搏波原始信号为采样率在500Hz以上且未经滤波处理的信号。
优选的，步骤3中，对原始心电信号或光电容波脉搏波预处理包括去除基线和去工频干扰操作。
优选的，步骤5中，RR间期为心电信号相邻两个R波波峰之间的时间间隔，峰值点间期为光电容积波脉搏波信号相邻两个峰值点间的时间间隔。
优选的，步骤6中，彭家莱参数SD1、SD2和SD1/SD2的计算方法如下：
设离散序列x(j),j＝1,2,…,N；该序列的均值为
Figure BDA0001158151420000041
其自相关函数定义为：
Figure BDA0001158151420000042
彭家莱横坐标为x(n)，纵坐标为x(n+1)；则相邻点差值的标准差SD1按以下公式求得，
SD12＝RX(0)-RX(1)；
沿着y＝x轴的标准差SD2为，
Figure BDA0001158151420000043
SD1/SD2为两者的比值。
优选的，步骤6中，对三个参数进行保存或实时显示时，三个参数分别放入数组存放，或者在显示屏上以图表方式实时显示出来。
与现有技术相比，本发明具有以下有益的技术效果：
本发明在极短时的基础上进一步引入滑动窗技术，即以N秒(10秒-1分钟)作为计算窗宽，将计算窗沿着数据序列以n秒(1秒≤n≤5秒)为步长向后滑动，依次计算所在窗口的彭家莱参数。如此就可以将与自主神经活动直接相关的心率变异性指标检测的时间分辨率精确到1-5秒，从而能够在更精细的程度上得到彭家莱参数的连续变化。通过将滑动窗与极短时分析技术结合起来，计算得到的连续极短时彭家莱参数，能够在一个更为精细的尺度上反映自主神经系统的动态变化，从而达到对自主神经系统状态的实时监测。
本发明所述方法可在现有的心电检测或光电容积脉搏波检测系统基础上实现，检测方式简单易操作，成本低廉，该方法既可以开发为专用的自主神经系统连续监测装置，也可以作为现有心电图机或脉搏血氧仪等设备的功能升级，还可以作为中间件处理程序，便于无线检测及网络化应用。在临床监护、高危预警、日常健康监护、运动训练监测等应用领域都有明显的技术优势。
附图说明
图1为本发明方法的步骤流程示意图。
图2为采集到的原始心电信号和光电容积脉搏波信号的示例图。其中图2(a)为采样率为500Hz心电原始信号示例，图2(b)为采样率为500Hz的光电容积脉搏波原始信号示例。
图3为经过预处理后的信号示例图。其中图3(a)为对图2(a)中ECG信号预处理后的波形；图3(b)为对图2(b)中PPG信号预处理后的波形。
图4为峰值点检测示例图。其中4(a)为ECG信号R峰检测结果示例，图中圆圈处即为检测到的R峰点；图4(b)为PPG信号峰值点检测结果示例，图中圆圈处为检测得到的峰值点。
图5为滑动窗示意图。
图6为运动前后彭家莱参数连续变化示例图。图6(a)为SD1的连续动态变化；图6(b)为SD2的连续动态变化；图6(c)为SD1/SD2的连续动态变化。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
本发明一种自主神经系统动态变化的连续监测方法，如图1所示，包括下述步骤：
步骤1，采集心电(ECG)或体表微血管床光电容积脉搏波(PPG)原始信号；其中，采集的心电信号或光电容积脉搏波信号必须采样率在500Hz以上的未经滤波处理的原始信号；对步骤1中截取的计算窗宽N应根据不同应用要求来设定，但需满足10秒≤N≤1分钟，如此方能反映自主神经的快速变化；
步骤2，截取长度为N的原始数据段；
步骤3：对步骤2截取的心电信号或光电容积脉搏波信号进行预处理。其中，对原始心电信号或光电容波脉搏波预处理主要包括去基线和去工频干扰操作，此处需避免相频失真，保证提取R波或峰值点间期信号的正确性；
步骤4：对步骤3所得的信号，若为心电信号，则检测每拍R波，若为光电容积脉搏波信号则检测每拍的峰值点；具体的，是对预处理后的心电信号每一拍进行R波波峰的检测或对预处理后的光电容波脉搏波每一拍进行峰值点的检测；
步骤5：对步骤4得到的检测结果，若为心电信号则提取RR间期，若为光电容积脉搏波信号则提取峰值点间期；其中，RR间期是指心电信号相邻两个R波波峰之间的时间间隔，峰值点间期是指光电容积波脉搏波信号相邻两个峰值点间的时间间隔。
步骤6：对步骤5的RR间期或峰值点间期序列计算彭家莱参数SD1；
步骤7：对步骤5的RR间期或峰值点间期序列计算彭家莱参数SD2；
步骤8：对步骤5的RR间期或峰值点间期序列计算彭家莱参数SD1/SD2；
其中步骤6、7、8中的彭家莱参数SD1、SD2和SD1/SD2的计算方法如下：
设离散序列x(j),j＝1,2,…,N。该序列的均值为
Figure BDA0001158151420000061
其自相关函数定义为：
Figure BDA0001158151420000062
彭家莱横坐标为x(n)，纵坐标为x(n+1)。则相邻点差值的标准差SD1按以下公式求得：SD12＝RX(0)-RX(1)；
沿着y＝x轴的标准差SD2为：
Figure BDA0001158151420000071
SD1/SD2为两者的比值。
步骤9：将步骤6、7、8计算所得的参数值进行保存或实时显示；将三个参数分别放入数组存放，或者在显示屏上以图表等合适方式实时显示出来。
步骤10：将数据截取段的起始点向后移n个时间单位对后续数据进行处理；为达到能够反映自主神经快速动态变化的目的，移动步长n应尽可能小，可根据不同的应用选择n值，但n应满足1秒≤n≤5秒；
步骤11：若后续数据长度不小于N，则重复步骤2—10；对不断后移的计算窗重复彭家莱指标的计算和保存、显示过程，直至所有数据处理完毕；
步骤12：若全部数据处理完毕，则分别绘制三个彭家莱参数的连续变化曲线图。其中，对得到的全部彭家莱指标分别作图，以表征自主神经系统的连续动态变化。
具体步骤执行如下。
步骤1，选取标准十二导心电图中易于R峰检测的标准II导等心电通道，或选取耳垂或指端等体表部位的光电容积脉搏波进行数据采集，要求采集的是未经过软硬件滤波，直接获取的A/D原始信号，采样率在500Hz及以上。采集的心电或光电容积脉搏波原始信号示例如图2所示。
步骤2，对采集到的原始心电信号或光电容积脉搏波信号，从信号起点始截取时间长度为N的数据段作为计算窗宽，其中N可以为10秒≤N≤60秒中的任意取值。
步骤3：对步骤2截取的心电信号或光电容积脉搏波信号进行预处理，主要包括去基线漂移和去除工频干扰。可采用小波重构或形态学算子等相关的信号处理方法去除基线,采用带阻滤波等方法去除工频干扰。要求预处理后的信号相频失真尽可能小。心电信号预处理后波形示例可见图3(a)，光电容积脉搏波预处理后波形示例可见图3(b)；
步骤4：对步骤3所得的预处理信号进行峰值点检测。若为心电信号，则可采用现有各种R波检测算法检测出心电信号中每一拍的R波波峰，见图4(a)中圆圈所示；若为容积脉搏波信号则采用已有的峰值点检测算法检测出每拍的峰值点，见图4(b)中圆圈所示；
步骤5：假设步骤4检测得到的ECG信号R波波峰或PPG信号的峰值点所对应的时刻为R(j)或P(j)，其中j＝0,1,2,…N。则可提取心电信号的RR间期序列为RR(j)＝R(j)-R(j-1)，其中j＝1,2,…N；或可提取光电容积波信号的峰值点间期序列为PP(j)＝P(j)-P(j-1)，其中j＝1,2,…N；
步骤6：将步骤5中获得的RR(j)或PP(j)都视为离散序列x(j),j＝1,2,…,N。设该序列的均值为
Figure BDA0001158151420000081
其自相关函数定义为：
Figure BDA0001158151420000082
彭家莱图横坐标为x(n)，纵坐标为x(n+1)。则相邻点差值的标准差SD1定义为：SD12＝RX(0)-RX(1)；
据此公式，可计算步骤5中所得序列的彭家莱参数SD1；
步骤7：根据步骤6中自相关函数定义，彭家莱图中沿着y＝x轴的标准差SD2定义为：
Figure BDA0001158151420000083
据此可计算得到步骤5所得序列的彭家莱参数SD2；
步骤8：由步骤6和步骤7计算得到的SD1和SD2值，可求得彭家莱参数SD1/SD2。
步骤9：将步骤6、7、8计算所得的三个彭家莱参数保存在数组或堆栈，也可以以图表的形式进行实时显示；
步骤10：当前计算窗内的指标计算完毕后，将计算窗向后滑动n(1秒≤n≤5秒)个时间单位进行后续数据处理。图5所示为当计算窗宽度为30秒，步长为5秒时，窗口依次向后滑动的示意图。由图可见，相邻两个计算窗相隔5秒，有25秒的数据相重叠。
步骤11：若后续数据长度不小于N，则截取长度为N的数据段，重复步骤2—10；
步骤12：若后续数据长度小于N，则数据处理完毕，根据所有计算窗中得到的参数，分别绘制三个彭家莱参数SD1,SD2和SD1/SD2的连续变化曲线图，实现自主神经系统动态变化的连续监测。图6是对某一24岁健康男青年3分钟速度为2.5mph、坡度为12％的跑台运动前后进行心电采集，计算得到的三个彭家莱参数动态变化的示例。运动前后总时长为540秒，30-180秒为静息状态，180-360秒为运动状态，360-540秒为运动后恢复状态。数据截取的窗宽设定为30秒，移动步长为5秒，三个参数的初始值均始于第30秒。
图6(a)中运动前，受呼吸影响，SD1正常振荡；在运动开始前30秒，SD1有快速的升降变化，之后稳定地保持较低值，而运动结束后则快速上升而后逐渐恢复。图6(b)在运动开始的前30秒，SD2也有快速的升降变化，之后保持较低值，在运动后期有上升趋势，运动结束后快速上升而后振荡式地衰减。图6(c)SD1/SD2在运动之前和运动初期差异不明显，之后逐渐上升，在运动后期下降，结束后则开始上升且振荡幅度增大。以上指标的连续变化表明迷走神经在静息时稳定振荡，在运动开始后急剧衰减并保持衰减态，运动结束后快速增强而后恢复振荡状态。迷走-交感平衡也在运动初期逐渐上升，在运动后期下降，而在运动结束后则受剧烈呼吸影响大幅度振荡。
从指标所表征的生理意义上，SD1主要反映迷走神经活动引起的心率短时变异；SD2则是交感和迷走共同作用的心率长时程变异；SD1/SD2体现的是迷走-交感的平衡关系。但需要注意的是，在极短时分析中，每一拍数据的变化对指标的影响更加显著，在计算窗宽范围内彭家莱参数的急速升降往往意味着生理状态跳变或快速渐变引起的自主神经系统的快速变化，因此在对这些参数的生理意义解释中应在原有基础上结合极短时信号分析特征予以修正和完善。目前我们已经将该方法应用于运动引起的自主神经系统动态变化的监测，结果已证实采用滑动窗的极短时彭家莱参数能够对运动前后自主神经系统的快速动态变化过程进行连续的监测。适用于家庭健康监护、运动训练监控以及临床危重病人监控等。
本发明中用滑动极短时信号窗口来连续计算彭家莱参数的方法以实现对自主神经系统动态变化的连续监测，该方法既可以直接加载于现有心电图机或脉搏血氧仪的单片机程序中，使其在检测心电或脉搏血氧的同时也能检测到自主神经功能的动态变化；也可作为专门用于自主神经系统动态变化的可佩戴式监护装置；还可保持现有的信号采集系统不变，而只通过有线或无线的通信方式将原始信号发送至手机、掌上电脑等移动终端，在以上中间设备的软件平台上来完成自主神经系统动态变化的连续监测。其检测结果既可在上述终端平台上显示，也可通过网络发往上一级监护网络。该方法的实施无论是对运动训练过程中，运动训练量对自主神经系统影响的监控，或危重病人关键生理指标的连续监测预警，或是日常的健康监护都有着广阔的应用前景。

Claims (2)

1.一种自主神经系统动态变化的连续监测方法，其特征在于，以N秒作为计算窗宽，将计算窗沿着数据序列以n秒为步长向后滑动，依次计算所在窗口的彭家莱参数，其中，10秒≤N≤60秒，1秒≤n≤5秒；如此将与自主神经活动直接相关的心率变异性指标检测的时间分辨率精确到1-5秒，在小于1分钟的极短时分析上得到彭家莱参数的连续变化，计算得到的连续极短时彭家莱参数，对自主神经系统的快速动态变化过程进行连续的实时监测；
具体的，包括下述步骤：
步骤1，采集心电或体表微血管床光电容积脉搏波原始信号，所述的原始信号为采样率在500Hz以上且未经滤波处理的信号；
步骤2，对采集到的原始心电信号或光电容积脉搏波信号，截取时间长度为N的数据段作为计算窗宽，其中，10秒≤N≤60秒；
步骤3，对通过计算窗截取的心电信号或光电容积脉搏波信号进行预处理；所述的预处理包括去除基线和去工频干扰操作，得到相频失真最小的预处理后的心电信号或光电容积脉搏波信号；
步骤4，对预处理后的心电信号检测每拍R波波峰，或对预处理后的光电容积脉搏波信号检测每拍的峰值点；
步骤5，根据检测的每拍R波波峰提取RR间期，或根据检测的峰值点提取峰值点间期；RR间期为心电信号相邻两个R波波峰之间的时间间隔，峰值点间期为光电容积波脉搏波信号相邻两个峰值点间的时间间隔；
步骤6，根据提取的RR间期或峰值点间期序列计算彭家莱参数SD1、SD2和SD1/SD2；并对所得的参数值进行保存或实时显示；
彭家莱参数SD1、SD2和SD1/SD2的计算方法如下：
设离散序列x(j),j＝1,2,…,N；该序列的均值为
Figure FDF0000010425750000012
其自相关函数定义为：
Figure FDF0000010425750000011
彭家莱横坐标为x(n)，纵坐标为x(n+1)；则相邻点差值的标准差SD1按以下公式求得，
SD12＝RX(0)-RX(1)；
沿着y＝x轴的标准差SD2为，
Figure FDF0000010425750000021
SD1/SD2为两者的比值；
步骤7，当前计算窗内的指标计算完毕后，将计算窗向后滑动n个时间单位进行后续数据处理，即将数据截取段的起始点向后移n个时间单位，对后续数据进行处理；其中，1秒≤n≤5秒；
步骤8，若后续数据长度不小于N，则重复步骤2—7；
步骤9，若后续数据长度小于N，则全部数据处理完毕，分别绘制三个彭家莱参数的连续变化曲线图，实现自主神经系统快速动态变化过程的实时连续监测；SD1反映迷走神经活动引起的心率短时变异；SD2则是交感和迷走共同作用的心率长时程变异；SD1/SD2体现的是迷走-交感的平衡关系；在极短时分析中，每一拍数据的变化对指标的影响更加显著，在计算窗宽范围内彭家莱参数的急速升降意味着生理状态跳变或快速渐变引起的自主神经系统的快速变化。
2.如权利要求1所述的一种自主神经系统动态变化的连续监测方法，其特征在于，步骤6中，对三个参数进行保存或实时显示时，三个参数分别放入数组存放，或者在显示屏上以图表方式实时显示出来。
CN201611039607.6A 2016-11-21 2016-11-21 一种自主神经系统动态变化的连续监测方法 Active CN106539580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611039607.6A CN106539580B (zh) 2016-11-21 2016-11-21 一种自主神经系统动态变化的连续监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611039607.6A CN106539580B (zh) 2016-11-21 2016-11-21 一种自主神经系统动态变化的连续监测方法

Publications (2)

Publication Number Publication Date
CN106539580A CN106539580A (zh) 2017-03-29
CN106539580B true CN106539580B (zh) 2021-01-22

Family

ID=58394876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611039607.6A Active CN106539580B (zh) 2016-11-21 2016-11-21 一种自主神经系统动态变化的连续监测方法

Country Status (1)

Country Link
CN (1) CN106539580B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107137077A (zh) * 2017-06-14 2017-09-08 西南大学 自主神经恢复检测方法、装置及电子设备
CN108185994B (zh) * 2018-02-02 2020-06-09 杭州拜伦医疗科技有限公司 一种基于非线性技术的平衡能力检测方法及装置
CN113397519B (zh) * 2021-08-05 2024-05-28 季华实验室 心血管健康状态的检测装置
WO2023012608A1 (en) * 2021-08-05 2023-02-09 Boston Scientific Medical Device Limited Treatment time duration identified in electrocardiogram
CN113974630A (zh) * 2021-11-26 2022-01-28 浙江昊梦科技有限公司 一种心理健康的检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101496716A (zh) * 2009-02-26 2009-08-05 周洪建 利用ecg信号检测睡眠呼吸暂停的测量方法
CN102499670A (zh) * 2011-11-23 2012-06-20 北京理工大学 基于稳健估计和固态模函数的心电基线漂移校正方法
US8527051B1 (en) * 2012-07-10 2013-09-03 St. Jude Medical Ab Detection and reduction of phrenic nerve stimulation
CN104321013A (zh) * 2012-03-21 2015-01-28 皇家飞利浦有限公司 用于基于ecg信号来提供睡眠质量的视觉表示的方法和装置
CN104305958A (zh) * 2014-10-08 2015-01-28 西安交通大学 一种极短时自主神经状态的光电容积波多参量分析方法
CN104840186A (zh) * 2015-05-07 2015-08-19 中山大学 一种充血性心力衰竭患者自主神经功能的评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101496716A (zh) * 2009-02-26 2009-08-05 周洪建 利用ecg信号检测睡眠呼吸暂停的测量方法
CN102499670A (zh) * 2011-11-23 2012-06-20 北京理工大学 基于稳健估计和固态模函数的心电基线漂移校正方法
CN104321013A (zh) * 2012-03-21 2015-01-28 皇家飞利浦有限公司 用于基于ecg信号来提供睡眠质量的视觉表示的方法和装置
US8527051B1 (en) * 2012-07-10 2013-09-03 St. Jude Medical Ab Detection and reduction of phrenic nerve stimulation
CN104305958A (zh) * 2014-10-08 2015-01-28 西安交通大学 一种极短时自主神经状态的光电容积波多参量分析方法
CN104840186A (zh) * 2015-05-07 2015-08-19 中山大学 一种充血性心力衰竭患者自主神经功能的评估方法

Also Published As

Publication number Publication date
CN106539580A (zh) 2017-03-29

Similar Documents

Publication Publication Date Title
CN106539580B (zh) 一种自主神经系统动态变化的连续监测方法
Lu et al. A comparison of photoplethysmography and ECG recording to analyse heart rate variability in healthy subjects
US9681814B2 (en) Devices and methods for real-time denoising of electrocardiograms
Lu et al. Limitations of oximetry to measure heart rate variability measures
US20190298209A1 (en) Heartbeat detection
CN101642369A (zh) 自主神经功能生物反馈方法和系统
Park et al. Prediction of daily mental stress levels using a wearable photoplethysmography sensor
CN109938719B (zh) 一种基于生理参数的驾驶员疲劳检测方法
Chang et al. Frequency range extension of spectral analysis of pulse rate variability based on Hilbert–Huang transform
Lam et al. Measuring heart rate variability in free-living conditions using consumer-grade photoplethysmography: Validation study
KR101008825B1 (ko) 다중 윈도우를 이용한 생체신호의 특성 파라미터 추출 장치및 방법
WO2018130897A1 (en) Method and system for determining heart rate variability
De Giovanni et al. Ultra-low power estimation of heart rate under physical activity using a wearable photoplethysmographic system
Rapalis et al. Estimation of blood pressure variability during orthostatic test using instantaneous photoplethysmogram frequency and pulse arrival time
US20150313489A1 (en) Wearable Device and Method for Assessing Cardiac Wellness by Analyzing High Definition EKG Signals
CN117271977A (zh) 一种hrv数据预处理方法、装置及电子设备
Hegde et al. A review on ECG signal processing and HRV analysis
Junior et al. Attenuation of vagal modulation with aging: Univariate and bivariate analysis of HRV
McSharry et al. Open-source software for generating electrocardiogram signals
Wolling et al. Fewer samples for a longer life span: Towards long-term wearable PPG analysis
Chen et al. A fast ECG diagnosis using frequency-based compressive neural network
Srinivasa et al. Application of entropy techniques in analyzing heart rate variability using ECG signals
Canu et al. Respiration rate calculation using low power DSP processor and SpO 2 sensor
Timothy et al. Data preparation step for automated diagnosis based on HRV analysis and machine learning
Zhang et al. Non-invasive blood glucose detection using NIR based on GA and SVR

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231213

Address after: 215131 West side of the second floor of Building 3, No. 8-3 Chunwang Road, Panyang Industrial Park, Huangdai Town, Xiangcheng District, Suzhou City, Jiangsu Province

Patentee after: Suzhou Sanlang Medical Technology Co.,Ltd.

Address before: 710000 workshop 2 in yard 5, West Qinling Third Road, Caotang science and technology industry base, high tech Zone, Xi'an, Shaanxi Province

Patentee before: SHAANXI HUACHEN PETROLEUM TECHNOLOGY CO.,LTD.

Effective date of registration: 20231213

Address after: 710000 workshop 2 in yard 5, West Qinling Third Road, Caotang science and technology industry base, high tech Zone, Xi'an, Shaanxi Province

Patentee after: SHAANXI HUACHEN PETROLEUM TECHNOLOGY CO.,LTD.

Address before: Beilin District Xianning West Road 710049, Shaanxi city of Xi'an province No. 28

Patentee before: XI'AN JIAOTONG University